MétaCan
Menu
Retour à la cohorte
Enregistrement W2616759249 · doi:10.1016/s2214-109x(17)30203-6

Financing of international collective action for epidemic and pandemic preparedness

2017· article· en· W2616759249 sur OpenAlexaboutno aff
Gavin Yamey, Marco Schäferhoff, Ole Kristian Aars, Barry R. Bloom, Dennis Carroll, Mukesh Chawla, Victor J. Dzau, Ricardo Echalar, Indermit S. Gill, Tore Godal, Dean T. Jamison, Patrick Kelley, F. Kristensen, Ceci Mundaca-Shah, Ben Oppenheim, Julie A. Pavlin, Rodrigo Salvado, Peter Sands, Rocio Schmunis, Agnès Soucat, Lawrence H. Summers, Anas El Turabi, Ron Waldman, Ed Whiting

Notice bibliographique

RevueThe Lancet Global Health · 2017
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensnon disponible
Organismes subventionnairesHarvard UniversityCoalition for Epidemic Preparedness InnovationsWellcome TrustGeorge Washington UniversityUniversity of California, San FranciscoWorld Health OrganizationFairfield UniversityBill and Melinda Gates FoundationUnited States Agency for International Development
Mots-clésPandemicPreparednessScopusOutbreakPolitical scienceEconomic impact analysisDevelopment economicsEconomic growthGeographyDiseaseCoronavirus disease 2019 (COVID-19)MedicineVirologyEconomicsMEDLINEInfectious disease (medical specialty)Law

Résumé

récupéré en direct d'OpenAlex

The global pandemic response has typically followed cycles of panic followed by neglect. We are now, once again, in a phase of neglect, leaving the world highly vulnerable to massive loss of life and economic shocks from natural or human-made epidemics and pandemics. Quantifying the size of the losses caused by large-scale outbreaks is challenging because the epidemiological and economic research in this field is still at an early stage. Research on the 1918 influenza H1N1 pandemic and recent epidemics and pandemics has shown a range of estimated losses (panel).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,018
score de la tête « metaresearch » (Gemma)0,034
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,179
Score d'incertitude au seuil0,598

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,034
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,003
Études des sciences et des technologies0,0020,001
Communication savante0,0060,004
Science ouverte0,0030,014
Intégrité de la recherche0,0060,006
Charge utile insuffisante (le modèle a refusé de juger)0,1790,047

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.

Tête enseignante Opus0,477
Tête enseignante GPT0,559
Écart entre enseignants0,082 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations69
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Lancet Global HealthMême sujetCOVID-19 epidemiological studiesTravaux en français237 207