Introduction: Politics, Public Opinion and the COVID-19 Pandemic in Latin America
Notice bibliographique
Résumé
In early 2020, Covid-19 spread from China, first to countries such as Italy and Iran, then across the globe, causing high death tolls and the shutdown of socie-ties (CDC, 2021). As the pandemic moved to Latin America, the region’s leaders responded to the threat in wide-ranging ways. Governments deployed a variety of public health and economic measures to stem the human and financial costs of the pandemic. Some minimized the danger: from President Bolsonaro’s widely criti-cized labeling of the disease as a “little flu” in Brazil (Friedman, 2020), to President Andres Manuel Lopez Obrador’s (AMLO’s) refusal to wear masks in Mexico (Mo-rales, 2021). Others responded forcefully, such as Fernandez’s swift lockdown in Argentina (Reuters, 2020). While some drew heavily on progressive social move-ments in the policymaking process, others sidelined and marginalized them (Abers et al. 2021). The efficacy of these responses also varied widely. Some countries, such as the Dominican Republic, experienced Covid death rates that were lower than wealthy countries such as Canada and Denmark; others saw immense loss of life, as in Peru, where 600 people have died for every 100,000. Despite this vari-ation, the region on average has suffered terribly during the pandemic, with many countries in the top twenty for both cases and loss of life per capita (Blofield et al.2020; Fernandez and Machado, 2021; Ritchie et al. 2020).
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 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 ».