Spatial and Temporal Hotspot Analysis of COVID-19 in Toronto
Notice bibliographique
Résumé
ABSTRACT The COVID-19 pandemic in Toronto, Canada was unequal for its 2.7 million residents. As a dynamic pandemic, COVID-19 trends might have also varied over space and time. We conducted a spatiotemporal hotspot analysis of COVID-19 over the first four major waves of COVID-19 using three different applications of Moran’s I to highlight the variable experience of COVID-19 infections in Toronto, while describing the potential impact of socioeconomic and sociodemographic factors on increased risk of COVID-19 exposure and infection. Results highlight potential clustering of COVID-19 case rate hot spots in areas with higher concentrations of immigrant and low-income residents and cold spots in areas with more affluent and non-immigrant residents during the first three waves. By the fourth wave, case rate clustering patterns were more dynamic. In all, a better understanding of the unequal COVID-19 pandemic experience in Toronto needs to also consider the dynamic nature of the pandemic. HIGHLIGHTS - The COVID-19 pandemic was spatially and temporarily dynamic in the City of Toronto. - At first, hotspots were concentrated in areas with more marginalized residents. - Later, COVID-19 spatial trends diverged from initially identified patterns. - East Asian enclaves in the city disproportionally had lower COVID-19 case counts. - COVID-19 studies need to consider the dynamic nature of the pandemic.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».