La difficile transparence des statistiques épidémiologiques de la COVID-19 ou comment les minorités peinent à exister dans la bataille des chiffres en Amazonie
Bibliographic record
Abstract
En Amazonie, l’une des régions du Brésil les plus touchées par l’épidémie de COVID-19, les statistiques épidémiologiques publiées par les autorités brossent un tableau de la crise sanitaire qui interroge, car il ne considère pas ou trop partiellement le sort des populations issues des minorités ethniques et culturelles qui habitent la région. Au cours de la première vague épidémique (de février à juillet 2020), une équipe de 11 chercheurs a recensé et analysé la mobilisation des populations autochtones et quilombolas, et leur appropriation de l’outil statistique, pour apparaître dans les chiffres officiels. En réaction à ces mobilisations, les bulletins épidémiologiques publiés par les États et les communes amazoniennes ont fortement évolué d’un mois sur l’autre, faisant apparaître différentes lectures de la crise sanitaire, ancrées dans les imaginaires et les enjeux de pouvoir des régions amazoniennes. L’analyse met en évidence ce combat, discret mais essentiel, des minorités ethniques du pays, pour que soient actées, par les chiffres et dans les discours, les conséquences de l’épidémie sur leurs populations.
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 | 0.056 | 0.151 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.008 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".