Opportunities and lessons learned from a retrospective analysis of administrative billing data to understand the language profile of high-risk close contacts of COVID-19 cases in Ontario
Notice bibliographique
Résumé
Background: During a public health emergency, it is vital to have access to data sources that can identify communities disproportionately affected and to ensure public health communications are meeting the needs of diverse populations. Objective: To explore how administrative billing data for language interpretation services could be used as an additional source of information to understand the language profile of high-risk close contacts of COVID-19 cases. Methods: A retrospective descriptive analysis was conducted using administrative billing data from Public Health Ontario's Contact Tracing Initiative from May 2020 to February 2022. Data from the Contact Tracing Initiative were utilized to identify drivers that could have influenced patterns in language interpretation requests. Trends were compared with community language profiles using 2021 Canadian Census data. Results: Interpreters responded to 2,604 requests across 38,518 interpretation minutes and provided information in 50 different languages. The top five requested languages were French, Arabic, Spanish, Punjabi and Mandarin. Five distinct periods were identified of different language predominance including Spanish in spring/summer 2020, French in summer/fall 2020 and Arabic in spring 2021. Overall, these trends aligned with the language profile of health units contributing most submissions. Conclusion: Public health agencies could benefit from using existing secondary data sources to understand the language interpretation needs of their communities. This study also demonstrated how existing data sources could be used to help assess how communities are being disproportionately affected by public health emergencies and how this might change over time.
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 | 0,021 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».