Sociale impact van fysieke afstand op kwetsbare populaties tijdens COVID-19 (2020): herhaalde interviews met gezinnen met jonge kinderen
Bibliographic record
Abstract
Deze dataset is gecollecteerd in het kader van het ZonMw gefinancierde project “Sociale impact van fysieke afstand op kwetsbare populaties tijdens COVID-19” in 2020 (projectnummer 10150062010007). In dit project onderzochten we de effecten van sociale isolatie op kwetsbare groepen in Nederland ten tijde van ‘de lockdown’ periode (van 15 maart 2020 tot 23 mei 2020) en de periode van ‘de versoepeling’ van de maatregelen tot het einde van het onderzoek (de periode na 23 mei 2020-1 juli 2020). Voor meer informatie zie ook www.coronatijden.nl. Deze dataset beschrijft de ervaringen van gezinnen met kleine kinderen. Deze groepen bevinden zich doorgaans in een bijzondere levensfase: de overgang van partner naar ouder, mogelijkerwijs loopbaanontwikkeling en vermogensvorming. Hoe gaan gezinnen met kleine kinderen om met COVID-19 maatregelen en gezondheidsrisico’s en waarom doen zij dat op die manier? Daarover gaat deze dataset waarin via interviews de vraag is gesteld hoe gezinnen de afstands-maatregelen en de versoepelingen daarin inpassen in hun dagelijks leven. Data is gecollecteerd door onderzoekers van de Universiteit van Amsterdam, afdeling Sociologie. In de dataset zijn 17 gezinnen betrokken in de analyse waarbij we in totaal 41 telefonische interviews hebben afgenomen in de periode tussen 18 maart en 10 juni 2020. De dataset is een subset van een panel studie "de Sarphati Etnografie" waarin ouders gevolgd worden vanaf de geboorte van hun eerste kind.
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 | 0.002 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.040 | 0.006 |
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".