Using visualization technique to communicate the conceptual structure of SARS-CoV-2 to multidisciplinary audience and lessons from the pandemic for future preparedness
Notice bibliographique
Résumé
Several publications on the concept and structure of SARS-CoV-2 and COVID-19 over the past three years target medical and biomedical scientists, and rightly so, as experts in search of solutions made efforts to understand the molecular structure of the coronavirus. The multidisciplinary audience who needs help understanding the scientific discourse and the complexity of SARS-CoV-2 is left to guess in the dark. Studies show that a lack of proper understanding of the pandemic can have several consequences, including accepting conspiracy theories, misinformation, negative attitudes against public health safety measures, and the COVID-19 vaccine hesitation. This study uses metadata extracted from published documents on the concepts and structure of COVID-19 indexed on the Web of Science between 2020 to 2021 to create an abstract visual metaphor about the pandemic. Based on the cognitive connection theory, we develop a model and visualization that explains the conceptual structure of SARS-CoV-2 and COVID-19 for the non-biomedical multidisciplinary audience. The visual analytics highlights the concepts, characteristics, and interrelationships on a network map, connecting some past viral/coronavirus pandemics and epidemics, particularly H1N1, SARS-CoV, and MERS-CoV. The conceptual model and visualization generate insight and understanding of the ongoing pandemic for multidisciplinary audiences.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».