County-Level Mandates Were Generally Effective At Slowing COVID-19 Transmission
Notice bibliographique
Résumé
Throughout the COVID-19 pandemic in the US, counties adopted numerous nonpharmaceutical interventions, such as mask mandates and stay-at-home orders, to slow COVID-19 transmission and prevent hospitals from reaching full capacity. Early evidence has been mixed about whether these interventions are effective. However, most studies only covered the early waves of COVID-19 and did not account for county-level variation in the adoption and repeal of such policies. Using daily county-level data from the Centers for Disease Control and Prevention, we evaluated the joint impact of bans on large gatherings, stay-at-home orders, mask mandates, and bar and restaurant closures on slowing COVID-19 transmission during waves 1-4 of the pandemic in the US (March 1, 2020-June 30, 2021). Our survival analysis showed that these interventions were generally effective at slowing COVID-19 transmission during this period. The mitigating effect was particularly strong during waves 2 and 3 and less substantial during waves 1 and 4. We also found strong evidence of the overall protective effect of mask mandates and, to a lesser degree, anticongregation policies. These study findings provide crucial evidence for public health officials to reference for support when using nonpharmaceutical interventions to flatten the curve of future waves of COVID-19 or other infectious disease outbreaks.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».