Geovisualization and analysis of the Good Country Index
Notice bibliographique
Résumé
The Good Country Index measures the contribution of a single country in the humanity and health aspects that are beneficial to the planet. Countries which are globally good for our planet do not necessarily have to be good for their own citizens. The Good Country Index is based on the following seven categories: science and technology, culture, international peace and security, world order, planet and climate, prosperity and equality, and health and well-being. The Good Country Index is focused on the external effects, in contrast to other global indices (for example, the Human Development Index, or the Social Progress Index) showing the level of development of a single country in benefiting its own citizens. The authors verify if these global indices may be good proxies as potential predictors, as well as indicators of a country's ‘goodness’. Non-spatial analysis included analyzing relationships between the overall Good Country Index and the seven contributing categories, as well as between the overall Good Country Index and other global indices. Data analytics was used for building various predictive models and selecting the most accurate model to predict the overall Good Country Index. The most important rules for high and low index values were identified. Spatial analysis included spatial autocorrelation to analyze similarity of index values of a country in relation to its neighbors. Hot spot analysis was used to identify and map significant clusters of countries with high and low index values. Similar countries were grouped into geographically compact clusters and mapped.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».