Social trust and COVID-19 mortality in the United States: lessons in planning for future pandemics using data from the general social survey
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background The United States has lost many lives to COVID-19. The role of social capital and collective action has been previously explored in the context of COVID-19. The current study specifically investigates the role of social trust at the county level and COVID-19 mortality in the US, hypothesizing that counties with higher social trust will have lower COVID-19 mortality rates. Methods We used cross-sectional data from the General Social Survey (GSS). We collected COVID-19 mortality data from the COVID-19 Dashboard by the Center for Systems Science and Engineering (CSSE) at Johns Hopkins University until October 31, 2021. We obtained county characteristics from the 2019 American Community Survey and supplemented this data source with additional publicly available county-level data, such as measures of income inequality and political leanings. We measured social trust as a single item from the GSS and calculated mean social trust in a county by pooling responses from 2002 to 2018. We then modeled the relationship between mean social trust and COVID-19 mortality. Results Results indicate that counties with higher social trust have lower COVID-19 mortality rates. Higher values of mean social trust at the county level are associated with a decrease in COVID-19 mortality (b= -0.25, p-value < 0.001), after adjustment for confounding. The direction of association is consistent in a sensitivity analysis. Conclusions Our findings underscore the importance of investment in social capital and social trust. We believe these findings can be applied beyond the COVID-19 pandemic, as they demonstrate the potential for social trust as a method for emergency preparedness.
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.
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 | 0,000 | 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) | 0,003 | 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 découle