MétaCan
Menu
Retour à la cohorte
Enregistrement W3090969985 · doi:10.5430/rwe.v11n5p409

How AI, Data Science and Technology Is Used to Fight the Pandemic COVID-19: Case Study in Saudi Arabia Environment

2020· article· en· W3090969985 sur OpenAlex

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueResearch in World Economy · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCOVID-19 Pandemic Impacts
Établissements canadiensnon disponible
Organismes subventionnairesAnt Financial Services GroupTencent
Mots-clésChinaBattlePandemicCoronavirus disease 2019 (COVID-19)PoliticsCoronavirus2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Quarter (Canadian coin)Political scienceEconomic growthDevelopment economicsBusinessGeographyEconomicsHistoryVirologyLawAncient historyMedicineOutbreak

Résumé

récupéré en direct d'OpenAlex

Since the main report of coronavirus (COVID-19) in Wuhan, China, it has spread to almost 100 different nations. As China started its reaction to the infection, it inclined toward its solid innovation division and explicitly man-made brainpower (AI), information science, and innovation to track and battle the pandemic while tech pioneers, including Alibaba, Baidu, Huawei and more quickened their organization's social insurance activities.This paper focuses on how technology assumed an enormous job in China's endeavors to contain the coronavirus episode and how the Kingdom of Saudi Arabia can use the same methodology and expertise of both China and Germany to avoid the continued spread of the virus. Besides, it clarifies the strong measures taken by The Kingdom of Saudi Arabia to confront political, monetary, social and strict difficulties of COVID-19.

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 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)0,008
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,968
Score d'incertitude au seuil0,790

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,329
Tête enseignante GPT0,402
Écart entre enseignants0,073 · 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