An Assessment of the Smart COVID-19 Approach to Lockdown and its Empirical Evidence
Notice bibliographique
Résumé
COVID-19 is a new and contagious disease that has changed human lifestyle and habits globally according to the directions provided by the World Health Organization (WHO). Until some authentic remedy or vaccine becomes available, every country is providing instructions to its public to follow precautionary measures. These measures may include lockdown, social distancing, restricting movement, and educating public about COVID-19. Lockdown is the most applied and successful way to control the virus spread and it remains helpful in curtailing the spike. However, it adversely affects developing countries like Pakistan. All types of lockdown disrupt the life of the poor and the middle class. In this paper, an intelligent-smart approach is suggested for developing countries as against complete lockdown to handle the pandemic. This approach will show the long-term results needed for controlling COVID-19 without creating any major disturbance in the economy. In this paper, evidence based approaches were used to evaluate the short-term and long-term effects of the daily increasing number of cases of COVID-19 in Pakistan. The results showed that Sindh, which has the maximum number of COVID-19 cases, is better in implementing smart lockdown as compared to other administrative regions of Pakistan. As the risk of the second wave of COVID-19 is enhanced, it would be effective to continue the intelligent-smart approach with mild SOPs to avoid the disastrous effects of COVID-19 in the future. Received Date: May 14, 2020, Last Received: December 10, 2020 Acceptance: December 25, 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 | 0,186 | 0,411 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,007 |
| Bibliométrie | 0,014 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 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 ».