Digital inequalities among internet users before and during the COVID-19 pandemic: A comparison from two cross-sectional surveys in Slovenia
Notice bibliographique
Résumé
The further digitization of society during the COVID-19 pandemic had implications for differential internet access and related social and economic outcomes. The pandemic impacted all three levels of the digital divides, as it affected how people accessed the internet, their internet skills and usage patterns. The literature, however, provides only a limited understanding about how these changes are interrelated at different levels of the digital divides. Building on the model of compound and sequential digital exclusion, this study examines the sequential pathways between the three digital divide levels before and during the pandemic, using two datasets obtained through cross-sectional surveys conducted in 2018 and 2022 from representative samples of Slovenian internet users ( N 2018 = 814, N 2022 = 802). Path and multi-group analysis results confirmed strong sequential pathways between the three digital divide levels before and during the pandemic, suggesting that despite a significant increase in internet access and breadth of uses, digital inequalities among users continue to persist following the pandemic. Moreover, the interaction effects of age and education on the relationships between the three digital divide levels were found to be almost unchanged, indicating that the pandemic did not affect the role of social inequalities in shaping digital inequalities. • Three levels of digital inequalities before and during the pandemic are explored. • Analysis of two representative cross-sectional survey datasets from 2018 and 2022. • Significant increase in internet access and uses did not lessen digital inequalities. • Almost invariant interaction effect of age and education with digital inequalities. • The pandemic did not reduce digital inequalities spurred by social inequalities.
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 | 0,002 | 0,001 |
| 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 | 0,003 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».