Incidence de la fermeture et de la réouverture des écoles sur la transmission de la COVID-19
Bibliographic record
Abstract
Contexte : À l’échelle mondiale, l’éducation des élèves des écoles primaires et secondaires a été gravement perturbée par la fermeture des écoles pour réduire la propagation de la maladie à coronavirus en 2019 (COVID-19). L’efficacité de la fermeture des écoles pour la réduction de la transmission de la COVID-19 et l’impact de la réouverture des écoles ne sont pas clairs. Méthodes : Les critères de recherche pour cet examen rapide comprenaient des études empiriques, publiées ou prépubliées dans le monde entier avant le 25 janvier 2021, qui évaluaient l’efficacité de la fermeture des écoles pour réduire la propagation de la COVID-19 et l’incidence de la réouverture des écoles sur la transmission de la COVID-19. Résultats : Vingt-quatre études sur l’incidence de la fermeture et de la réouverture des écoles sur la transmission de la COVID-19 ont été relevées dans les sept bases de données qui ont fait l’objet d’une recherche. Dans l’ensemble, les données probantes de ces études étaient mitigées et variées en raison de plusieurs facteurs, comme le moment de la mise en œuvre des mesures de santé publique, la conception de la recherche des études incluses et la variabilité entre les niveaux de scolarité examinés. Conclusion : Les résultats préliminaires suggèrent que la fermeture des écoles ont une incidence limitée sur la réduction de la transmission de la COVID-19, d’autres interventions non pharmaceutiques étant considérées comme beaucoup plus efficaces. Toutefois, en raison des limites des études, d’autres recherches sont nécessaires pour appuyer l’utilisation de cette mesure de santé publique en réponse à la pandémie de COVID-19.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.020 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".