Socioeconomic Status and Adherence to Preventive Measures During the COVID-19 Pandemic in Switzerland: A Population Based Digital Cohort Analysis
Notice bibliographique
Résumé
Objectives: To assess the association between socioeconomic status (SES) and self-reported adherence to preventive measures in Switzerland during the COVID-19 pandemic. Methods: 4,299 participants from a digital cohort were followed between September 2020 and November 2021. Baseline equivalised disposable income and education were used as SES proxies. Adherence was assessed over time. We investigated the association between SES and adherence using multivariable mixed logistic regression, stratifying by age (below/above 65 years) and two periods (before/after June 2021, to account for changes in vaccine coverage and epidemiological situation). Results: Adherence was high across all SES strata before June 2021. After, participants with higher equivalised disposable income were less likely to adhere to preventive measures compared to participants in the first (low) quartile [second (Adj.OR, 95% CI) (0.56, 0.37-0.85), third (0.38, 0.23-0.64), fourth (0.60, 0.36-0.98)]. We observed similar results for education. Conclusion: No differences by SES were found during the period with high SARS-CoV-2 incidence rates and stringent measures. Following the broad availability of vaccines, lower incidence, and eased measures, differences by SES started to emerge. Our study highlights the need for contextual interpretation when assessing SES impact on adherence to preventive measures.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».