Notice bibliographique
Résumé
The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) has caused the Coronavirus Disease 2019 (COVID-19) worldwide pandemic in 2020. In response, most countries in the world implemented lockdowns, restricting their population's movements, work, education, gatherings, and general activities in attempt to "flatten the curve" of COVID-19 cases. The public health goal of lockdowns was to save the population from COVID-19 cases and deaths, and to prevent overwhelming health care systems with COVID-19 patients. In this narrative review I explain why I changed my mind about supporting lockdowns. The initial modeling predictions induced fear and crowd-effects (i.e., groupthink). Over time, important information emerged relevant to the modeling, including the lower infection fatality rate (median 0.23%), clarification of high-risk groups (specifically, those 70 years of age and older), lower herd immunity thresholds (likely 20-40% population immunity), and the difficult exit strategies. In addition, information emerged on significant collateral damage due to the response to the pandemic, adversely affecting many millions of people with poverty, food insecurity, loneliness, unemployment, school closures, and interrupted healthcare. Raw numbers of COVID-19 cases and deaths were difficult to interpret, and may be tempered by information placing the number of COVID-19 deaths in proper context and perspective relative to background rates. Considering this information, a cost-benefit analysis of the response to COVID-19 finds that lockdowns are far more harmful to public health (at least 5-10 times so in terms of wellbeing years) than COVID-19 can be. Controversies and objections about the main points made are considered and addressed. Progress in the response to COVID-19 depends on considering the trade-offs discussed here that determine the wellbeing of populations. I close with some suggestions for moving forward, including focused protection of those truly at high risk, opening of schools, and building back better with a economy.
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 | 0,013 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».