Fighting COVID-19: patterns in international data
Notice bibliographique
Résumé
This paper provides an empirical evaluation of countries’ performance in !ghting COVID-19, utilizing a performance index (which we call the Disaster Index) based on four health and economic indicators: deaths per population size, deaths per con!rmed cases, and quarterly real gross domestic product (GDP) and monthly unemployment rate relative to pre-pandemic values. International data patterns are studied for these four indicators and the Disaster Index to analyze trends and basic empirical relationships. The approach is descriptive and primarily based on graphs, scatter diagrams, and correlation analysis. The ten best performers based on the Disaster Index for the !rst half of 2020 were (ranked 1st to 10th): Singapore, Taiwan, Belarus, Korea, New Zealand, Japan, Norway, Israel, Czechia, and Lithuania. The worst twelve performers were (bad to worst): Sweden, US, Canada, Philippines, France, Columbia, Spain, Belgium, United Kingdom, Ecuador, Italy, and Peru. Thus, high-income Asian countries performed relatively better than low-income Asian countries, European, and American countries in the !rst half of 2020. Reasons for this geographical divide are very important and must be studied more carefully and closely, as successful methods in better performing countries will provide some lessons for other countries. It also would be interesting to see how this Disaster Index pro!le shifts in 2021 as vaccination and economic relief accelerate in countries like the United States. The pandemic exhibited the vulnerabilities in the world and reemphasized the vital signi!cance of international coordination and cooperation in a globalized world. Recent trends show that most countries still have a long way to go to control the virus. Vaccination is a reassuring fresh hope, a potential game-changer, though requiring careful, painstaking, and timely implementation
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 | 0,006 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».