Relative Concentrations and Diffusion of COVID-19 across the United States in 2020
Bibliographic record
Abstract
Les auteurs étudient la propagation de la COVID-19 (maladie à coronavirus 2019) en termes de cas et de décès dans l’ensemble des États-Unis, à l’aide des données relatives aux comtés à différents niveaux de comparaison. Ils utilisent l’indice de Hoover et l’indice de différentiel géographique pour analyser l’évolution de la concentration de COVID-19 à l’échelle des grandes zones économiques ( city systems), de mai 2020 à décembre 2020. Les auteurs cartographient également l’indice du différentiel géographique (DG) des différents comtés afin de montrer la distribution des cas de COVID-19 et des décès qui lui sont attribuables dans les comtés par rapport aux moyennes nationales. Ils constatent que la maladie s’est rapidement répandue et qu’elle s’est déconcentrée dans l’ensemble des zones économiques pour ce qui est des indices de Hoover, et qu’en décembre 2020, de nombreuses zones économiques affichant des niveaux très élevés de concentration de COVID-19 étaient passées à des taux de dispersion supérieurs aux taux observés dans la population en général. Cette évolution semble indiquer un degré appréciable de propagation rurale dans les derniers mois de 2020. Les indices de différentiel géographique pour les mêmes zones économiques révèlent aussi une convergence des géographies de la population et des décès liés à la COVID-19. Les statistiques des différents comtés mettent en relief l’existence de grappes de grands nombres et de faibles nombres de décès comparativement aux normes nationales, qui se sont déplacées du nord-est au sud-est et qui, en décembre, sont aussi apparues dans le Midwest et la portion centrale du pays, entre autres régions.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".