How effective are "stay-at-home” (SAH) policies? To guide policy-decision making in response to the pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic had its genesis in Wuhan, China, and its first case outside of China in Thailand before spreading around the globe including Canada, which reported its first case on January 25, 2020. This pandemic has transformed the world and has resulted in an array of restrictions that force or encourage people to stay at home (SAH) in order to curb the growth in cases and deaths, thereby easing the burden on health systems. Many terms have been used to describe these measures, but here they all are consolidated under one term, “SAH policies”. While countries have imposed these intuitively effective measures, there is currently a paucity of evidence to support their use. Consequently, this proposal addresses this knowledge gap. The proposed study brings together a team from China, Thailand and Canada to assess in each country: (1) the regional effectiveness of SAH policies on daily cases and daily deaths; and (2) the relationship between the duration of SAH policies and their effectiveness. Publicly available data at the population-level on health effects, e.g. daily new confirmed cases and deaths, SAH policies, e.g. the timing and duration of SAH policies, and other covariates will allow for modelling at the provincial (or special administrative area/region) level for each country. Because the local context is expected to play a major role in the determination of the effectiveness of SAH policies, as each region varies in terms of its population, health system and environmental characteristics, nuanced policy recommendations will flow. Several dissemination strategies are planned to enhance evidence-based policy. Team members will champion the findings through their respective organizations and networks of influence to enhance uptake.
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 | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,356 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».