Global analysis of the COVID‐19 policy activity levels and evolution patterns: A cross‐sectional study
Notice bibliographique
Résumé
Background and Aims: Since the beginning of the coronavirus disease 2019 (COVID-19), a large number of government policies have been implemented worldwide in response to the global spread of COVID-19. This paper aims at developing a data-driven analysis to answer the three research questions: (a) Compared to the pandemic development, are the global government COVID-19 policies sufficiently active? (b) What are the differences and characteristics in the policy activity levels at the country level? (c) What types of COVID-19 policy patterns are forming? Methods: Using the Oxford COVID-19 Government Response Tracker data set, we present a global analysis of the COVID-19 policy activity levels and evolution patterns from January 1, 2020 to June 30, 2022, based on the differential expression-sliding window analysis (DE-SWAN) algorithm and the clustering ensemble algorithm. Results: Within the period under study, the results indicate that (a) the global government policy responses to COVID-19 are very active, and the policy activity levels are significantly higher than those of global pandemic developments; (b) a high activity of policy is positively correlated to pandemic prevention at the country level; and (c) a high human development index (HDI) score is negatively correlated to the country policy activity level. Furthermore, we propose to categorize the global policy evolution patterns into three categories: (i) Mainstream (152 countries); (ii) China; and (iii) Others (34 countries). Conclusion: This work is one of the few studies that quantitatively explores the evolutionary characteristics of global government policies on COVID-19, and our results provide some new perspectives on global policy activity levels and evolution patterns.
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 | 0,009 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,006 |
| Études des sciences et des technologies | 0,001 | 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 ».