Quantifying the impact of non-pharmaceutical interventions on COVID-19 in Canada
Notice bibliographique
Résumé
Ce travail porte sur la quantification de l’effet de diverses interventions non pharmaceutiques (INP), dont les politiques mises en place par le Gouvernement du Québec (Canada), dans la lutte au coronavirus (SARS-CoV-2) responsable de la maladie appelée COVID-19. L’effet de telles interventions peut être mesuré à travers le taux de reproduction effectif Rt, facteur épidémiologique déterminant qui renseigne quant au nombre moyen d’infections générées au temps t par un individu infecté et contagieux. La méthode Estimate R proposée par Cori et coll. (2013) pour le calcul du coefficient Rt est étudiée. Sachant qu’elle s’appuie sur un algorithme déterministe, l’intervalle de confiance auquel elle conduit n’a pas d’interprétation probabiliste. On propose une approche de type Monte-Carlo pour remédier à ce problème. Deux stratégies sont élaborées, l’une fondée sur une régression de Poisson et l’autre sur un modèle espace état. Il appert que 1) deux INP (fermetures d’écoles et couvre-feu) sont liées à une réduction du coefficient Rt ; 2) un couvre-feu contribue au ralentissement de la variation du taux de transmission une fois pris en compte l’effet des fermetures d’établissements scolaires
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».