Diagnosis for global health: Threats of infectious disease and why we continue to ignore them.
Notice bibliographique
Résumé
In a matter of several weeks, an unknown infectious agent spread over the entire globe; it infected over 2.2 million people and killed at least 150,000 (as of April 2020). This infectious agent has been identified as a novel coronavirus and is now known as COVID-19. In 2007, Cheng et al. warned us of the reemerging ability of coronaviruses and the “ticking time bomb” that awaits. In 2008, Talbot et al. also warned that SARS was only the tip of the iceberg with regards to coronaviruses. There has been an endless amount of information available about how to prevent and minimize the risk of future outbreaks. We knew the importance of implementing these strategies 16 years ago; nonetheless, the number of people infected by COVID-19 are climbing each day. SARS was not the only infectious disease we could have learned from: a more recent example is Ebola. In 2015, Bill Gates discussed the impact of Ebola, warned that “if anything kills over 10 million people in the next few decades, it’s most likely to be a highly infectious virus rather than a war”, and made suggestions to invest in stronger public health systems. We had the time to implement these suggestions made over the years, yet they were not taken seriously and for the current pandemic, it is too late to use preventative measures as we are managing the consequences. Hopefully, in the world post-COVID-19, these important lessons will finally be applied and our global health system will become stronger.
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 | 0,015 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,023 |
| Communication savante | 0,015 | 0,032 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,017 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,016 |
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 ».