A Virus That Knew Borders. COVID-19 Patients Zero Worldwide and the Strength of Transnationalism
Notice bibliographique
Résumé
In less than 3 months in 2020, COVID-19 spread to more than 200 countries and turned into a global pandemic that affected all world regions. Far from being a “post-Westphalian” virus that knew no borders, COVID-19 remained embedded in unequal patterns of international mobilities. To substantiate this claim, I devised an original methodology inspired by “thing-following studies”. A dataset was created on all patients zero worldwide (n = 287) in the 206 countries where they were identified. Empirically, my findings dismantle some myth about the international spread of COVID-19. First, the data put Europe – rather than China – at the core of the pandemic: four Western European countries exported half of all patients zero to entire regions like South America or Africa, reflecting postcolonial legacies. Second, twothirds were in fact nationals who brought back the virus to their own country. Third, a majority were involved in cross-border activities relating to business, family, religion or education, rather than tourism – most of them middle-aged men. Theoretically, this demonstrates the strength of transnational activities among international mobilities. Transnationalism appears as a crucial – though deeply unequal – infrastructure of our current globalization.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 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 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 ».