Mapping COVID-19 in Context: Promoting a Proportionate Perspective on the Pandemic
Bibliographic record
Abstract
Le nouveau coronavirus SRAS-CoV-2 a lourdement perturbé le cours de la vie humaine en 2020. Institutions, experts et profanes sont nombreux à suivre de près la propagation mondiale du virus et les conséquences des pathologies associées à la COVID–19. Les cartes thématiques sont abondamment utilisées pour illustrer les multiples indicateurs disponibles, parmi lesquels le nombre des cas, les taux d’hospitalisation et les décès. Malgré les efforts de coordination déployés aux différents échelons administratifs (y compris à l’échelle planétaire), la collecte de données est, dans une certaine mesure, incohérente, tardive ou diffuse, et les cartes peuvent exacerber les problèmes associés aux données sous-jacentes. Maintes cartes publiées sont également en contradiction avec les principes établis en matière de cartographie et comportent des choix conceptuels qui amplifient la propagation du coronavirus et la menace de la COVID–19. L’auteur fait ressortir certains de ces problèmes et propose d’autres représentations ramenant la pandémie à ses justes proportions. Il se penche sur la distinction entre l’utilisation de cartes à des fins d’exploration des données et de réponse à des questions précises, et il établit un lien entre les difficultés que pose la cartographie de la pandémie et les normes d’éthique professionnelle dans le domaine des SIG.
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 | 0.016 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.011 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.018 | 0.021 |
| Open science | 0.002 | 0.012 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".