COVID19 Impact on Child Maltreatment: Evidence from Abuse and Neglect Investigations in Texas
Notice bibliographique
Résumé
COVID-19 has brought challenges to the society in various aspects, as one of the most vulnerable members of society, children’s lives have also been significantly affected by it. This study aims to address the child maltreatment impacted by the COVID-19 pandemic. Leveraging county level data sets from Texas Department of Family and Protective Services and United States Census Bureau, XGBoost method and fixed effect model was used to investigate the most important economic, demographic, and social factors. It is found that population of 16-year-old or over, the rental vacancy rate, the population of 16-year-old or over that commutes to work by walking, and population of 16-year-old or over that works in agriculture, forestry, fishing and hunting, and mining industry is positively associated with total number of child maltreatment cases. On the other hand, the total population in labor force, the female population not in labor force, the average of public cash assistance (in dollars), the average time (in minutes) commuting to work, and the population whose household contains 2 units/rooms are negatively associated with total number of child maltreatment cases. Also, a single-difference model was implemented to identify that the COVID-19 pandemic was associated with 7.6% increase in total number of child maltreatment cases.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».