Notice bibliographique
Résumé
Best Linear Unbiased EstimateAims: This paper presents estimates of the spread rate of Covid-19 in Canada, Mexico, and the USA from the early days of 2020 to October 9, 2021.Methods: Because it is impossible to measure and model all of the forces that can affect this spread rate, a statistical technique is used that produces a separate spread rate for each observation where differences in these estimates are due to omitted variables.Some of the most important omitted variables whose influence on the spread rate is captured in this paper's estimates include the imposition of social distancing laws, the degree that social distancing laws are observed, what percent of the population has been vaccinated and who was vaccinated, mutations of the virus, the density of the populations, and weather conditions.This paper's estimates are of the change in Covid-19 cases in time period t+1 due to an additional case in time period t [d(cases t+1)/d(cases t)] where t and t + 1 are one week apart.Results: I found that if the number of Covid-19 case can be reduced by one in time t then the number of cases in time t+1 fall by less than one; in contrast if the number of cases in time t rise by one, then the number of cases in time t+1 increases by more than one.Conclusion: it is harder to kill Covid-19 than it is for Covid-19 to spread.Thus governments and people should do all that they can to fight this disease.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».