Medicaid policy data for evaluating eligibility and programmatic changes
Notice bibliographique
Résumé
OBJECTIVES: Medicaid and the Children's Health Insurance Program (CHIP) provide health insurance coverage to more than 90 million Americans as of early 2023. There is substantial variation in eligibility criteria, application procedures, premiums, and other programmatic characteristics across states and over time. Analyzing changes in Medicaid policies is important for state and federal agencies and other stakeholders, but such analysis requires data on historical programmatic characteristics that are often not available in a form ready for quantitative analysis. Our objective is to fill this gap by synthesizing existing qualitative policy data to create a new data resource that facilitates Medicaid policy research. DATA DESCRIPTION: Our source data were the 50-state surveys of Medicaid and CHIP eligibility, enrollment, and cost-sharing policies, and budgets conducted near annually by KFF since 2000, which we coded through 2020. These reports are a rich source of point-in-time information but not operationalized for quantitative analysis. Through a review of the measures captured in the KFF surveys, we developed five Medicaid policy domains with 122 measures in total, each coded by state-quarter-1) eligibility (28 measures), 2) enrollment and renewal processes (39 measures), 3) premiums (16 measures), 4) cost-sharing (26 measures), and 5) managed care (13 measures).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».