Assessment of the socioeconomic impact of COVID-19 in Rwanda: Findings from a country-wide community survey, preliminary analysis to inform further global research
Notice bibliographique
Résumé
The COVID-19 pandemic along with its devastating impact on human lives has disrupted the socioeconomic situation worldwide. Rwanda has adopted lockdowns and other measures to prevent the spread of the COVID-19 pandemic. Recent studies documented the macro-level socio-economic pandemic impact but the impact on a household’s daily life has been scarcely documented especially in low-and-middle-income countries. This work describes the interplay between multiple factors to assess the socio-economic impact of COVID-19 on the Rwandan population at the micro-level (household). Data from a country-wide community survey conducted in Rwanda between December 2021 and March 2022 were used. A total of 26,412 response forms were received from around 4400 participants surveyed in 6 recurrent bi-weekly phases where participants were randomly selected. The Multivariable Logistic regression model was fitted to data with a backward stepwise elimination algorithm to assess the socioeconomic impact of COVID-19 on households’ income. Factors considered in this study are gender, age group, residence, level of education, occupation, change in employment status, socioeconomic status, and marital status. The multivariable logistic regression model provided the factors associated with the decline in income due to COVID-19. The results show that people living without a partner are more likely to experience income decline due to COVID-19 than people living with their partner. It is seen that the higher the number of children in a household, the higher the risk of experiencing a decrease in income. Taking into consideration the education level and comparing people with post-secondary and university level vis-a-vis people who did not attend school, the latter are 27 times more likely to experience a decrease in their income, those who attended primary school are 5 times more likely to experience a decrease in income, and those who attended secondary school are almost 2 times more likely to experience a decrease in income. The findings from this research will be used by policymakers and other stakeholders to design and implement preventive and responsive measures for future pandemics that should be multifactorial and tailored to transversal parameters like gender and residence.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».