Mapping COVID-19 in Context: Promoting a Proportionate Perspective on the Pandemic
Notice bibliographique
Résumé
Le nouveau coronavirus SRAS-CoV-2 a lourdement perturbé le cours de la vie humaine en 2020. Institutions, experts et profanes sont nombreux à suivre de près la propagation mondiale du virus et les conséquences des pathologies associées à la COVID–19. Les cartes thématiques sont abondamment utilisées pour illustrer les multiples indicateurs disponibles, parmi lesquels le nombre des cas, les taux d’hospitalisation et les décès. Malgré les efforts de coordination déployés aux différents échelons administratifs (y compris à l’échelle planétaire), la collecte de données est, dans une certaine mesure, incohérente, tardive ou diffuse, et les cartes peuvent exacerber les problèmes associés aux données sous-jacentes. Maintes cartes publiées sont également en contradiction avec les principes établis en matière de cartographie et comportent des choix conceptuels qui amplifient la propagation du coronavirus et la menace de la COVID–19. L’auteur fait ressortir certains de ces problèmes et propose d’autres représentations ramenant la pandémie à ses justes proportions. Il se penche sur la distinction entre l’utilisation de cartes à des fins d’exploration des données et de réponse à des questions précises, et il établit un lien entre les difficultés que pose la cartographie de la pandémie et les normes d’éthique professionnelle dans le domaine des SIG.
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 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,018 | 0,021 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».