America’s “Narrative of Combating the COVID-19 Pandemic” in “Post-truth” Context
Notice bibliographique
Résumé
Some US politicians and media, driven by the zero-sum Cold War mentality, ideological bias, and domestic political needs, have made no effort to politicize, stigmatize, and label the epidemic with the “post-truth” narrative logic of “promoting values and belittling the epidemic” in order to hide the institutional impotence and political incompetence exposed by the epidemic response and mitigate the impact of the comparison between “China’s governance” and “chaos in the United States.” The U.S. narrative of fighting COVID-19 was based on fabrications, fallacies, and hegemonic construction, which involved scapegoating others and assigning blame. The US “anti-epidemic narrative” is essentially a weapon to use fallacies to cut reality, fabricate history with lies, and suppress China with hegemony. The “anti-epidemic narrative” of the US is that it is dissatisfied with everything about China, regards China as being behind the times, and is hostile to both the Communist Party and Marxism. It is a denial of China’s strategy, direction, and system. The best method to combat the global public health crisis is to improve global public health governance, increase international cooperation against COVID-19, jointly build a “Silk Road for health,” and create a community of health for all people. Additionally, they contribute to revising the US “narrative against COVID-19.”
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,017 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».