The COVID-19 pandemic – lessons (un)learned – the aftermath
Notice bibliographique
Résumé
AMA Rieske P, Pawliczak R. The COVID-19 pandemic – lessons (un)learned – the aftermath. Alergologia Polska - Polish Journal of Allergology. 2023;10(3):228-241. doi:10.5114/pja.2023.131713. APA Rieske, P., & Pawliczak, R. (2023). The COVID-19 pandemic – lessons (un)learned – the aftermath. Alergologia Polska - Polish Journal of Allergology, 10(3), 228-241. https://doi.org/10.5114/pja.2023.131713 Chicago Rieske, Piotr, and Rafał Pawliczak. 2023. "The COVID-19 pandemic – lessons (un)learned – the aftermath". Alergologia Polska - Polish Journal of Allergology 10 (3): 228-241. doi:10.5114/pja.2023.131713. Harvard Rieske, P., and Pawliczak, R. (2023). The COVID-19 pandemic – lessons (un)learned – the aftermath. Alergologia Polska - Polish Journal of Allergology, 10(3), pp.228-241. https://doi.org/10.5114/pja.2023.131713 MLA Rieske, Piotr et al. "The COVID-19 pandemic – lessons (un)learned – the aftermath." Alergologia Polska - Polish Journal of Allergology, vol. 10, no. 3, 2023, pp. 228-241. doi:10.5114/pja.2023.131713. Vancouver Rieske P, Pawliczak R. The COVID-19 pandemic – lessons (un)learned – the aftermath. Alergologia Polska - Polish Journal of Allergology. 2023;10(3):228-241. doi:10.5114/pja.2023.131713.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».