School Closure and Child Maltreatment During the COVID-19 Pandemic
Notice bibliographique
Résumé
It is not known how school closure affected child maltreatment. We conducted a retrospective cohort, linear mixed-models study of 133 counties (comprising 8,582,479 children) in Virginia between 2018 and 2021. Exposure was the opening of schools at least 2 days a week. Outcomes were referrals and incidence of child maltreatment reported to the Department of Social Services. In 2020-2021, there were descriptively more referrals (in-person: 50.9 per 10,000 [95% CI: 47.9, 54.0]; virtual: 45.8 per 10,000 [95% CI: 40.7, 50.9]) and incidence (in-person: 3.7 per 10,000 [95% CI: 3.3, 4.2]; virtual: 2.9 per 10,000 [95% CI: 2.3, 3.5]) of child maltreatment in counties with in-person schooling, though these differences did not reach statistical significance. The referral rate variations (between pandemic and pre-pandemic eras) of counties with in-person schooling was significantly greater than rate changes in counties with virtual schooling during the summer period. There were no differences in incidence in any quarter. Higher poverty within a county was associated with both higher referrals and incidence. Our findings suggest that child maltreatment is driven primarily by underlying differences in counties (namely, poverty) rather than the type of schooling children receive.
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 | 0,001 | 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) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».