POLÍTICAS PÚBLICAS EFICIENTES PARA O NOVO CORONAVÍRUS NO MUNDO
Notice bibliographique
Résumé
New Coronavirus (COVID 19) is a pandemic and, among its characteristics, two stand out: its morbidity above the average of viruses and its media capacity. In Brazil, the word “coronavirus”, between the 15th and 21st of March, reached the index 100 on a scale of0 to 100 on Google trends, in Italy it had an index of 64, in the United Kingdom 61, in the United Arab Emirates 52, in France 50, in the United States 48, in Singapore 31, in Sweden 19, in Japan 12, in South Korea 8 and, there are no data on China. The response to the pandemic was regional, each country or, in some cases, each state, province, and city reacted differently to the same challenge. This study looks at the effect of government actions in each country. In a quantitative analysis, using officialdata, it was verified the number of infected and deaths, the restrictions imposed and, at the same time, the effects of it on the level of economic activity in these countries, such as market values. In addition, it was investigated the correlation between effect and cause, in the first quarter of 2020, in the above countries. It was found a strong relation between quarantine and acute recessions, but not between quarantine and a decreased new Coronavirus progression. We conclude that there is a need for an in-depth debate about health systems, information shared between countries and the way COVID 19 could be seen in economic statistics for decades, as it happened with World War I, the Spanish flu and World War II, however, without the global demographic impact characteristic of these three events.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».