Nigeria: Government Covid-19 Interventions to Promote Inclusive Adaptation and Economic Recovery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Covid-19 pandemic has been a major and global \npublic health challenge. Like every other country, Nigeria \nhas suffered huge human and economic losses. About \n87,607 cases of Covid-19 and 1,289 deaths had been \nreported by 31 December 20201. The Nigerian economy \nshrank by 1.8% in 2020, mainly as a consequence of the \neffects of the pandemic. In addition, the unemployment \nrate rose from 23.1% in the third quarter of 2018 to 27.1% \nin the second quarter of 2020, according to the National \nBureau of Statistics (NBS). \n \nDifferent sections of Nigerian society were affected in \ndifferent ways. In particular, the informal sector and small \nand medium-sized enterprises (SMEs) were the most \naffected, as well as poor households (NBS, 2021). The \npandemic also had a disproportionate impact on women \n(UN, 2020). \n \nTo mitigate the negative economic effects of the pandemic, \nthe Nigerian Government implemented monetary and \nfiscal policies, as well as income support policies and \nprogrammes to safeguard the most vulnerable economic \ngroups. These interventions translated to increased \ngovernment expenditure, a decline in government revenue \n(as a result of lower demand for crude oil exports) and a \ngrowth in the government budget deficit and public debt.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,001 |
| 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 découle