Life Expectancy Loss and Recovery by Age and Sex Following Catastrophic Events in Europe during the 19th and 20th Centuries
Notice bibliographique
Résumé
Abstract Following catastrophic events such as pandemics or wars, a systematic loss in life expectancy at birth ( $$\:{e}_{0}$$ ) can be observed. This study aims to estimate the time required for $$\:{e}_{0}$$ to recover after mortality crises and to identify which age groups contribute to the decline and assist in restoring pre-crisis levels. Focusing on major European pandemics and wars of the 19th and 20th centuries, we used data from the Human Mortality Database (HMD). Arriaga’s decomposition was applied to analyze $$\:{e}_{0}$$ values before the sharpest decline and at the recovery point. Events were categorized into pandemics and non-pandemics, and further stratified by sex. Various statistical tests were used to ensure valid comparisons. The analysis is grounded in demographic resilience, understood as the capacity of a population to return to previous $$\:{e}_{0}$$ levels after a mortality shock. This approach enables comparison between events of different types and historical contexts. Our findings show that the largest $$\:{e}_{0}$$ declines occurred during the World Wars. No significant differences were found by event type or sex. Youth and children emerged as the main contributors to the decline and recovery of $$\:{e}_{0}$$ following catastrophic events.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».