Study of the Epidemiology of COVID-19 in Teachers and Education Workers in Elementary and Secondary Schools in Ontario [CCS-2, study data contributed to the CITF Databank]
Notice bibliographique
Résumé
Background: Many schools returned to hybrid or in-person learning in 2021 to optimize students’ education and mental health; however, the physical and mental health repercussions of this approach on education workers was not fully understood. Aims of the CITF-funded study: The CCS-2 aimed to investigate 1) the prevalence of past exposure to SARS-CoV-2 and rate of exposure during the study period; 2) the effect of vaccination on antibody levels in vaccinated participants; 3) to identify stress factors and the psychological impacts of working during a pandemic. Methods: This cohort study recruited teachers and other education workers employed by a school board in Ontario including educational assistants, principals, school office staff, custodians, librarians, and early childhood educators. Participants were recruited via social media. At enrolment, they were tested for SARS-CoV-2 antibodies and completed questionnaires about risk factors, past infections, and COVID-19 vaccination. They were followed for 14 months completing questionnaires about exposures every 10 weeks (randomly assigned weeks) and questionnaires about respiratory illnesses and COVID-19 vaccinations as needed. Dried blood spot samples were collected every 13 weeks and 30 days after each COVID vaccine dose to assess IgG antibody levels Contributed dataset contents: The datasets include 3,426 participants who completed their baseline questionnaires between February 2021 and March 2022. 80% of participants (2,752) gave one or more blood samples for SARS-CoV-2 during this period (at baseline and follow-up). A total of 9,495 samples were collected. 3,087 participants have linked COVID-19 vaccine data. Variables include data in the following areas of information: demographics (age, gender, race, occupation), general health (smoke, other diseases, influenza vaccine), exposure risk factors (household, travel history), COVID-19 vaccines, and serology.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».