Notice bibliographique
Résumé
The COVID-19 epidemic took the world by surprise in early 2020.It was initially thought to be a China-only problem and later believed to be a South East Asian issue.However, due to various natural, political and regulatory factors, the epidemic spread rapidly to the rest of the world, causing havoc in the areas of health and the economy mainly.According to estimates by the International Monetary Fund (IMF) in 2020, the annual percentage change in world real GDP was -3.5%.In advanced economies, GDP fell on average by -4.9%.This variation was more striking in some nations than in others.For example, in the United States the fall was -3.4%, in Germany -5.4%, in France -9.0%, in Italy -9.2%, in Spain -11.1%, in Japan -5, 1%, in the United Kingdom -10.0% and in Canada -5.5%.The situation was no different for emerging and developing economies, which also saw their real GDP fall by -2.4%.This variation was more striking in some countries than in others.For example, in India the fall was -9.0%, in Russia -3.6%, in Brazil -4.5%, in Mexico -8.5%, in Saudi Arabia -3.9%, in Nigeria -3.2%, in South Africa -7.5%, and in Latin America and the Caribbean -7.4%.China was the only country that registered a positive variation of 2.3% (IMF, 2021).The drop in world GDP was also reflected in the decline in international trade, basically in the import and export of products and services.However, there was naturally an increase in trade in products and services directly related to the COVID-19 pandemic.For example, according to World Bank data,
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».