Generalized additive models to capture the death rates in Canada\n COVID-19
Notice bibliographique
Résumé
To capture the death rates and strong weekly, biweekly and probably monthly\npatterns in the Canada COVID-19, we utilize the generalized additive models in\nthe absence of direct statistically based measurement of infection rates. By\nexamining the death rates of Canada in general and Quebec, Ontario and Alberta\nin particular, one can easily figured out that there are substantial\noverdispersion relative to the Poisson so that the negative binomial\ndistribution is an appropriate choice for the analysis. Generalized additive\nmodels (GAMs) are one of the main modeling tools for data analysis. GAMs can\nefficiently combine different types of fixed, random and smooth terms in the\nlinear predictor of a regression model to account for different types of\neffects. GAMs are a semi-parametric extension of the generalized linear models\n(GLMs), used often for the case when there is no a priori reason for choosing a\nparticular response function such as linear, quadratic, etc. and need the data\nto 'speak for themselves'. GAMs do this via the smoothing functions and take\neach predictor variable in the model and separate it into sections delimited by\n'knots', and then fit polynomial functions to each section separately, with the\nconstraint that there are no links at the knots - second derivatives of the\nseparate functions are equal at the knots.\n
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».