Nigeria: Government Covid-19 Interventions to Promote Inclusive Adaptation and Economic Recovery
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.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,002 |
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 ».