A sustainable economic revival plan for post-COVID-19 using machine learning approach – a case study in developing economy context
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The impact of COVID-19 has caused a recession in economies all over the world. In this context, the current study aims to analyze the prevailing economic scenario using a machine learning approach and suggest sustainable measures to recover the global economy taking the case of Make in India (MII) initiative of developing the economy as a base for the study. Design/methodology/approach A well-known topic modeling technique – Latent Dirichlet allocation (LDA) algorithm has been employed to extract useful information characterizing the existing state of selected sectors under the MII initiative alongside catalytic policies that have been implemented for the same. The textual data acts as the base of the study upon which suggestions are provided. Findings The findings obtained suggest that digital transformation will play a key role in concerned sectors to optimize the performance of manufacturing organizations. Additionally, inter-relationship between Key Performance Indicators for the economy's revival is crucial for effective utilization of foreign direct investment resources. Practical implications The novel efforts to utilize MII initiative as a case present crucial information which can be used by policy makers and various other stakeholders across the globe to enhance decision-making and draft legislation across different sectors to empower the economy. Originality/value The study presents a novel approach to utilize the MII initiative by identifying important measures for crucial sectors and associated policies that have been presented by employing a text mining approach which in itself makes it unique in its contribution to research literature.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle