COVID-19 Influence: A General Analysis using Machine Learning Methods
Notice bibliographique
Résumé
In this paper, we mainly investigate how COVID-19 affects society in multiple ways, such as infected, death, and recovered population, air and ground transportation, and unemployment rate in specific countries. This is important to study since it can help the government create a specific policy to minimize the negative influence of COVID-19 on our society as a whole. Recent works focus on the prevention of COVID-19 and the efficiency of specific immunization. However, the influence of COVID-19 in a specific area of society, such as transportation, has not been paid enough attention to. We first used K-means to find similarities between countries, then we grouped all nations by their continents and used bar plots to visualize how each continent performs. Then, we used matplotlib to visualize the influence of pandemics on air transportation and ground transportation of the U.S. Finally. We create an interactive visualization that investigates the unemployment rate in specific countries, such as China, the United States, Japan, the United Kingdom, and Canada, during the pandemic period. Our methods show all those continents, including Africa, Asia, Australia/Oceania, Europe, North America, and South America, can be divided into five clusters according to the test percentage, and South America represents the highest death percentage. Europe has both the highest test and infected percentage. For both air transportation and inbound ground transportation, revenue and numbers of transportation dropped dramatically at the beginning of April 2020, which is the outbreak of COVID-19 in the U.S. Similarly, the unemployment rate for North America suddenly boost.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 tête enseignante, 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 ».