Notice bibliographique
Résumé
Abstract Vaccine hesitancy is a major threat to public health. While the root causes of vaccine hesitancy are numerous, they largely revolve around some form of perceived risk to the self. In particular, the unknown long-term risks are amongst the most frequently cited concerns. In this work, we show that regardless of their peak onset following vaccination, the incidence of adverse outcomes will follow some distribution f ( x | µ, σ 2 ) of mean onset µ , and standard deviation σ , and variance σ 2 . Despite the small proportion of events at the tails of these distributions, the large-scale public deployment of vaccines would imply that any signal for a given adverse outcome would be observed soon after distribution begins, even in cases where t x < t µ− 3 σ . The absence of such an early signal, however low, would suggest that long term effects are unlikely and that vaccine safety is therefore likely. Indeed, when enough individuals have been exposed to a new therapy - even if the majority of adverse outcomes only manifest at a future time t µ , the number of adverse outcomes given by the cumulative density function (CDF) near t 0 + dt > 0. Otherwise stated: We evoke the theory behind normal (Gaussian) and skew-normal distributions and use Chebyshev’s Theorem to evaluate the COVID-19 vaccine data as an example. The findings of this study are not vaccine-specific and can be applied to assess the health effects of the mass distribution of any good, treatment or policy at large.
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 | 0,023 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,013 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,002 |
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 ».