Recourir aux microsimulations pour étudier la mortalité de crise : illustration par la mortalité au Burundi en 1993
Bibliographic record
Abstract
Souvent utilisées dans une optique prospective, les microsimulations permettent aussi d’appréhender les biais de sélection affectant certaines enquêtes rétrospectives, notamment lorsque la mesure de la mortalité s’appuie sur les déclarations des enquêtés sur la survie de leurs proches. Susceptibles d’être observés dans divers contextes, ces biais de sélection ont de grandes chances d’être accrus dans les situations d’épidémies ou de crise (catastrophes naturelles, guerres). La microsimulation permet de conduire une analyse de sensibilité de l’ampleur des biais en fonction des facteurs qui en sont à l’origine. Elle permet aussi de tenter de mesurer l’efficacité d’indicateurs imparfaits issus de l’enquête pour estimer la corrélation de la mortalité de crise entre parents biologiques et corriger les résultats de l’enquête. Appliquée aux données de l’enquête réalisée en 2002 au Burundi, cette correction conduit à réévaluer le nombre de personnes tuées par la crise burundaise au cours de l’année 1993.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".