National probabilities of the coronavirus spreading over time in Europe based on migration networks
Notice bibliographique
Résumé
Global migration trends (Hatton−Williamson \n2005, Bálint et al 2017, Farkas–Dövényi 2018) \ntoday differ from those in previous centuries in \nterms of both the number of people migrating \n(as of 2017, 272 million people live in a country \nother than their country of origin) as well as the \ngeographical, economic, and cultural distance \nbetween sending regions and destination \ncountries. The interconnection between \ncountries is constantly growing, relationships are \nexpanding through migration, and people's \nmovement is increasing. \nMigration shows strong territorial concentration \n(Winders 2014); in 2019, half of the global \nmigrant population lived in nine countries. In \ninternational migration, there are centres (large \nhost countries) and global migration destinations, \nwhich attract migrants over long distances. Such \nhubs include the USA, Canada, Australia, the \nUK, Germany, France and Spain. \nClose migration relationships mean strong \nexposure and vulnerability to the spread of \ninfectious diseases. The calculation does not \nassume that infection can only be caused by \nmigration, but states that migration relationships \nbetween countries, that is, their network, well \nrepresent the spread of infections between \ncountries.
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 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 | 0,000 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».