Tracking global knowledge-to-policy pathways in the coronavirus crisis: A preliminary report from ongoing research
Notice bibliographique
Résumé
In February 2020, when many parts of world were taking unprecedented measures to try to control the spread of the SARS CoV-2 coronavirus, INGSA turned to its global community for help to understand the evolving situation. As always, INGSA is especially interested in the evidence that lies behind the various policy decisions, and the pathways from evidence-to-policy.<br> Together with academic partners at the University of Auckland and the University of Sheffield, in collaboration with our IDRC-funded regional chapters, and with seed funding by the Fonds to de Recherche du Quebec and the World Universities Network, the INGSA executive and secretariat devised a mixed methods research project to examine the formulation of policy responses to the pandemic.<br> Phase 1 of this project comprised ‘citizen’-social-science that harness the enthusiasm, expertise and local knowledge of over 100 volunteer rapporteurs from across the INGSA network globally. With their help and commitment, we launched the INGSA Evidence-to-Policy Tracker. Volunteers used an online data-entry form to log information about the evidence and decision-making dynamics behind their countries’ key Covid policy responses.<br> The aim of this study is not to compare and assess the success of these interventions, but rather to compare the various ways in which evidence has been marshalled and applied. While there are now many useful trackers, INGSA uniquely complements these Covid policy trackers by seeking to unpack the formulation of evidence rather than to take it for granted, and to examine the evidence-to-policy pathways through this kind of tool.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».