Notice bibliographique
Résumé
At the time of writing this article, the novel Coronavirus (code name COVID-19) claimed 203,307 human lives and left 2,923,125 affected with the virus among which 837,323 recovered, around the globe [1]. Although every sector of our life is badly affected by the COVID-19, the long-lasting effects of this pandemic will set new priorities for the nations' policy-makers. At this point, the contours of the pandemic are opaque but it is anticipated that it will take an unprecedented amount of time, effort, resources, compromises, trade-offs, and policies to set the path to the next normal. Among other walks of life, the world economy took a huge hit due to lockdowns imposed by the international communities. COVID-19 has badly affected our daily lives, shaken the healthcare systems, and above all, paralyzed the norms of work ethics due to both ‘work from home’ and ‘no work’. The way we are struggling to work remotely to keep our jobs, remote schooling, managing our personal and social lives, COVID-19 is no longer just a health or a well-being threat. It has a far bigger threat vector than we currently anticipate. Also, thanks to our globalized society and interdependent economy, this pandemic has no political, geographic and religious boundaries, and has caused a regional and global crisis (public health included). In this vein, this article is a minute attempt to shed light on the threat vector of the COVID-19 pandemic.
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».