Intra-provincial benchmark analysis of COVID-19 in Canada
Notice bibliographique
Résumé
The COVID-19 pandemic posed unheralded challenges to people, business, government at all levels (federal, provincial, regional), and society at large. In addition to the direct consequences of taking care of infected people, which in some countries led to a virtual collapse of the healthcare system, the pandemic strained eldercare, employment, economic growth, and exacerbated mental health and social problems. During the first year of the pandemic, researchers’ and policy makers’ main focus was on ‘flattening the curve,’ and on predictive modeling of infections and deaths. In this paper we present a non-parametric data-driven descriptive analysis based on Data Envelopment Analysis to assess COVID-19 in ten Canadian provinces over the two year period 2020 to 2021. The objective is to derive worst- and best-case intra-provincial benchmarks to assess if and to what extent the situation could have been worse respectively better. To take account for any indirect socio-economic impact our analysis incorporates official monthly unemployment rates and a stringency index reflecting the level of social policy restrictions imposed by the provincial governments. A major contribution of the model framework is that it provides a mechanism for measuring the impact of the two main strategies in curbing the pandemic, namely vaccination and social policy restrictions. As a robustness check, the bench-mark results are compared against bias-corrected efficiency measures.
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 | 0,013 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».