POST COVID-19 PANDEMIC EMPLOYMENT RECOVERY BY HEALTHCARE SECTOR IN US RACIAL MAJORITY-MINORITY COUNTIES
Notice bibliographique
Résumé
Abstract Health care sector employment trends following the COVID-19 pandemic have revealed a labor force participation gap. Racial/ethnic composition differences between counties may contribute to an uneven labor market recovery. This study’s objectives were to compare post-pandemic employment recovery between five health care sectors (ambulatory services (AS), home health care (HHC), nursing and residential care (NRC), assisted living (AL), nursing facilities/homes (NH)), and to examine whether health care sector recovery differences exist between racial majority-minority (MM) and non-racial MM counties in the USA. First Quarter 2020 and fourth Quarter 2022 data from the US Bureau of Labour Statistics Quarterly Census of Employment and Wages (QCEW) were used to calculate cumulative percentage change in health care sector employment. The Race Origin Variables from the latest 2021 data from the American Community Survey were used to identify racial MM counties. The sector with the greatest number of counties with positive employment recovery was the AS sector in 1562/3176 (49%) counties, and 252/468 (54%) MM counties. The NH sector had the lowest number of counties with positive employment recovery in 170/2818 (6%) counties, and 34/389 (9%) MM counties. This is the first analysis of post-pandemic health care sector employment recovery examining MM counties. Differences in county and state policies may account for varying degrees of recovery. Further research is necessary for the development of best practice guidelines and policies to improve post-pandemic health care employment recovery and the quality of nursing home care among older adults.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».