An assessment of socioeconomic status, access to healthcare, and education facilities in Indonesia following COVID-19: insights from the 8th High-Frequency COVID-19 World Bank survey
Notice bibliographique
Résumé
In 2023, Indonesians continued to grapple with the lingering impacts of the COVID-19 pandemic despite government measures introduced in 2020 to mitigate its effects. This study analyzed key factors affecting employment, food security, healthcare access, and education during the post-pandemic period in Indonesia, using data from the 8th Indonesian World Bank COVID-19 High-Frequency Survey (March–April 2023). The survey included 9751 adults (aged over 18 years) and 4,131 children (aged 5–18 years). Logistic regression was employed to identify determinants of employment, food security, healthcare access, and educational opportunities, with all statistical analyses conducted using IBM SPSS Statistics Version 29.0.2.0. Among adults, 49.5% were male, 28.2% lived on Java Island, and 61.4% resided in urban areas. Employment rates remained high at 84%, with 45.1% working as employees. Logistic regression analysis indicated that males had higher odds of being employed (AOR = 1.159, 95% CI: 1.158–1.160) but also faced slightly higher odds of experiencing food shortages (AOR = 1.043, 95% CI: 1.042–1.044). Employees, while more likely to encounter food shortages, also demonstrated greater odds of utilizing healthcare services, including regular check-ups (AOR = 1.094, 95% CI: 1.093–1.095), COVID-19 vaccinations (AOR = 1.759, 95% CI: 1.756–1.761), and telehealth services (AOR = 1.432, 95% CI: 1.428–1.437). Among children, 92.3% were enrolled in school, though 17.1% reported academic difficulties associated with sex, education level, region, location, online learning, study support at home, and parental employment sector (p < 0.05). Indonesia has made significant progress through programs such as the National Economic Recovery Program (PEN) and digital transformation initiatives, demonstrating adaptability and providing valuable models for similar contexts. However, improving the accuracy of social assistance databases and strengthening digital infrastructure for healthcare and education remain essential to ensure equitable outcomes and enhance resilience to future crises.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».