MétaCan
Menu
Retour à la cohorte
Enregistrement W3046968674 · doi:10.2147/ijgm.s261256

<p>COVID-19 Experience: Taking the Right Steps at the Right Time to Prevent Avoidable Morbidity and Mortality in Nigeria and Other Nations of the World</p>

2020· article· en· W3046968674 sur OpenAlexfundno aff
Obinna Ositadimma Oleribe, Princess Osita-Oleribe, Babatunde Lawal Salako, Temitope Arike Ishola, Michael Fertleman, Simon D. Taylor‐Robinson

Notice bibliographique

RevueInternational Journal of General Medicine · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueViral Infections and Outbreaks Research
Établissements canadiensnon disponible
Organismes subventionnairesImperial College LondonNational Institute for Health and Care ResearchInternational Seafood Sustainability FoundationWellcome TrustCanadian Foundation for Healthcare Improvement
Mots-clésPandemicLassa feverOutbreakMedicineContext (archaeology)Coronavirus disease 2019 (COVID-19)Economic growthEnvironmental healthSocioeconomicsDevelopment economicsDiseaseInfectious disease (medical specialty)VirologyGeography

Résumé

récupéré en direct d'OpenAlex

The 2020 Coronavirus pandemic has caused countless governmental and societal challenges around the world. Nigeria, Africa's most populous nation, has been exposed in recent years to a series of epidemics including Ebola and Lassa fever. In this paper, we document our perception of the national response to COVID-19 in Nigeria. The response to the pandemic is with a healthcare system that has changed as a result of previous infectious disease outbreaks but in the context of scarce resources typical of many low-middle income countries. We make recommendations regarding what measures should be in place for future epidemics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,697
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,379
Écart entre enseignants0,336 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations7
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of General MedicineMême sujetViral Infections and Outbreaks ResearchTravaux en français237 207