The COVID-19 pandemic: diverse contexts; different epidemics—how and why?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is very exceptional that a new disease becomes a true pandemic. Since its emergence in Wuhan, China, in late 2019, severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the virus that causes COVID-19, has spread to nearly all countries of the world in only a few months. However, in different countries, the COVID-19 epidemic takes variable shapes and forms in how it affects communities. Until now, the insights gained on COVID-19 have been largely dominated by the COVID-19 epidemics and the lockdowns in China, Europe and the USA. But this variety of global trajectories is little described, analysed or understood. In only a few months, an enormous amount of scientific evidence on SARS-CoV-2 and COVID-19 has been uncovered (knowns). But important knowledge gaps remain (unknowns). Learning from the variety of ways the COVID-19 epidemic is unfolding across the globe can potentially contribute to solving the COVID-19 puzzle. This paper tries to make sense of this variability-by exploring the important role that context plays in these different COVID-19 epidemics; by comparing COVID-19 epidemics with other respiratory diseases, including other coronaviruses that circulate continuously; and by highlighting the critical unknowns and uncertainties that remain. These unknowns and uncertainties require a deeper understanding of the variable trajectories of COVID-19. Unravelling them will be important for discerning potential future scenarios, such as the first wave in virgin territories still untouched by COVID-19 and for future waves elsewhere.
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.
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 | 0,004 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle