MétaCan
Menu
Retour à la cohorte
Enregistrement W4413309949 · doi:10.3390/diseases13080269

Investigating the Relationships Between COVID-19 Cases, Public Health Interventions, Vaccine Coverage, and Mean Temperature in Ontario and Toronto

2025· article· en· W4413309949 sur OpenAlexaffabout
Melinaz Barati Chermahini, Vernon Hoeppner

Notice bibliographique

RevueDiseases · 2025
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensUniversity of SaskatchewanQueen's University
Organismes subventionnairesnon disponible
Mots-clésCorrelationSpearman's rank correlation coefficientRank correlationMedicineVaccinationCoronavirus disease 2019 (COVID-19)Negative correlationCorrelation coefficientPsychological interventionPositive correlationDemographyInternal medicineStatisticsMathematicsImmunology

Résumé

récupéré en direct d'OpenAlex

Background/Objectives: We aimed to examine the relationship between COVID-19 cases and Public Health Interventions (PHIs), vaccine coverage, and temperature. We compared our findings with those of other studies that used different methodologies, such as mathematical models. Methods: We developed monthly PHI scores using the Oxford COVID-19 Government Response Tracker from May 2020 to May 2021. We calculated PHI scores by summing the highest monthly score of each intervention and expressed the PHI score as a percentage of the maximum. We obtained vaccine coverage and temperature data from January 2021 to September 2023. We calculated Spearman’s rank-order correlation coefficients to examine correlations. Results: The correlation between cases and PHI was positive (ρ = 0.947, p < 0.0001). The correlation between cases and vaccine coverage was approximately zero (ρ = 0.0165, p = 0.957) from January 2021 to January 2022 and was negative from February 2022 to September 2023 (ρ= −0.816, p < 0.0001). The correlation for cases and temperature was negative from January 2021 to January 2022 (ρ = −0.676, p = 0.0112) and was almost zero from February 2022 to September 2023 (ρ = −0.162, p = 0.494). The models showed a negative correlation between PHI and vaccine coverage, and mixed results for temperature. Conclusions: There was a positive correlation between cases and PHI. Prior to reaching the vaccine threshold coverage, there was no correlation for vaccination and a negative correlation for temperature. Post-vaccine threshold, there was a negative correlation for vaccination and no correlation for temperature. Correlation results for PHI and temperature differed from those of the mathematical models.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,277

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,341
Tête enseignante GPT0,448
Écart entre enseignants0,106 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDiseasesMême sujetCOVID-19 epidemiological studiesTravaux en français237 207