The Impact of COVID-19 on Financial Markets and the Real Economy
Notice bibliographique
Résumé
This reprint comprises 17 papers published in the Special Issue entitled “The Impact of COVID-19 on Financial Markets and the Real Economy”, centered on socioeconomic models affected by the pandemic (Vasin, 2022); the COVID-19 impact on various sectors or the economy as a whole, for instance in Canada (Singh et al., 2022), China (Habibi et al., 2022), Slovakia (Svabova et al., 2022), the United States (Rodousakis & Soklis, 2022) or Vietnam (Huynh et al., 2021; Nguyen et al., 2022); the benefits of teleworking on the continuity of operations across various sectors (Santos et al., 2022); research of the tourism and recreational possibilities of Russia and Kazakhstan’s cross-border regions and the threats these areas faced during the pandemic (Tanina et al., 2022), the impact of the new coronavirus infection on the Russian labor market (Rodionov et al., 2022); the factors driving young Vietnamese people’s intention to use financial technology in the context of the COVID-19 outbreak (Khuong et al., 2022) or those influencing access to credit for informal labor sector (Vu and Ho, 2022); predicting and analyzing Jordanian insurance firms’ performance (Altarawneh et al., 2022) or developing an early warning system for solvency risk in the banking industry (Hidayat et al., 2022) during the COVID-19 pandemic; the impact of the pandemic on European stock markets (Keliuotyte-Staniuleniene and Kviklis, 2022); the drivers of cross-border mergers and acquisitions during the pandemic (Lee et al., 2021); examining the financial and fiscal variables of Ecuadorian economic groups (Tulcanaza-Prieto and Morocho-Cayamcela, 2021).
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,002 |
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 ».