Did Lessons From SARS Help Canada’s Response to COVID-19?
Notice bibliographique
Résumé
Did Lessons From SARS Help Canada's Response to COVID-19? Michael Silverman MD, Michael Clarke PhD, and Saverio Stranges MD, PhD Affiliation Michael Silverman is with the Department of Medicine, Division of Infectious Diseases, and the Department of Epidemiology and Biostatistics, Schulich School of Medicine & Dentistry, Western University, London, Ontario, Canada. Michael Clarke is with the Interfaculty Program in Public Health, Western University. Saverio Stranges is with the Department of Epidemiology and Biostatistics and the Department of Family Medicine, Schulich School of Medicine & Dentistry, Western University, and the Department of Population Health, Luxembourg Institute of Health, Strassen, Luxembourg.CopyRightCorrespondence should be sent to Michael Silverman, MD, Chair of Division of Infectious Diseases, St. Joseph's Health Care, Room B3 404, 268 Grosvenor St, London, Ontario, Canada, N6A 4V2 (e-mail: michael.silverman@sjhc.london.on.ca). Reprints can be ordered at http://www.ajph.org by clicking the "Reprints" link.CONTRIBUTORSM. Silverman wrote a first draft of the editorial. M. Clarke and S. Stranges provided a critical review of the editorial and contributed to the writing of specific sections. https://doi.org/10.2105/AJPH.2020.305936 Accepted: August 16, 2020 Published Online: November 12, 2020
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 | 0,016 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,014 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,003 |
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 ».