Bibliographic record
Abstract
« Si je cherche une formule commode qui résume l’époque […] dans laquelle j’ai été élevé, j’espère avoir trouvé la plus expressive en disant : C’était l’âge d’or de la sécurité ». Ces mots sont ceux de l’écrivain viennois Stefan Zweig, mais nombreux sont ceux qui, se surprenant à regretter en ces temps incertains le monde d’hier, pourraient se les approprier. \nLa pandémie de COVID-19 nous a en effet fait connaître une cruelle désillusion. Si le développement prodigieux de la science médicale au cours des dernières décennies avait pu nous donner l’impression que nous avions maintenant acquis une connaissance suffisante des vecteurs de maladies infectieuses pour parvenir à contenir les éclosions avant qu’elles n’atteignent l’ampleur de la pandémie, voilà qu’il nous faut nous faire à l’idée que les verbes propager, contaminer et infecter ne se conjugue pas qu’au passé. \nC’est dans ce contexte singulier que Denis Goulet, Ph.D., spécialisé en histoire de la santé et de la médecine et auteur primé, fait paraître une brève mais fort éclairante (et opportune !) histoire des épidémies au Québec destinée au grand public.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.020 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".