Notice bibliographique
Résumé
Two years ago, when I became editor of Canadian Studies in Population, no one would have imagined that, only a year later, the world would be in the midst of the most devastating pandemic of modern times.Canada has so far experienced three waves (Fig. 1) and many provincial epidemics of the new coronavirus disease .At the end of its third wave (July 21, 2021), Canada ranked 7th in cases per capita, and 6th in COVID-19-related deaths per capita among high-income, medium-large peer countries (Australia, France, Germany, Italy, Japan, South Korea, Spain, Taiwan, the UK, the USA).These statistics, however, fail to demonstrate the heterogeneity in the provincial experiences of COVID-19.For example, the province of Québec had a per-capita COVID-19 mortality rate (130.9 per 100,000) close to France (165.5 per 100,000) (Little, 2021;Roser et al., 2021), while the provinces in the Atlantic "bubble" (Nova Scotia, New Brunswick, Prince Edward Island and Newfoundland and Labrador) and the Northern Territories have recorded fewer than 10,000 cases and 500 deaths (Little, 2021), thanks to the COVID elimination strategy they adopted since the beginning of the pandemic.These statistics reflect not only specific pandemic dynamics, but also different public health measures adopted at the provincial level.Although several improvements were made to improve federal provincial collaboration following the 2003 SARS outbreak (Webster, 2020), Canadian provinces have used their administrative authority over health care to forge individual responses to COVID-19.Despite early lockdowns in March 2020, the first wave of the pandemic hit Québec and Ontario particularly hard, where COVID-19 spread almost unchecked in long-term care facilities (
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 | 0,011 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,011 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,015 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».