Bibliographic record
Abstract
El primer ministro canadiense, Justin Trudeau, llego al poder en 2015 con el lema confiado de que “siempre es posible mejorar”. Seis anos despues, es probable que respire aliviado porque su apuesta por la reeleccion para un tercer mandato no ha acabado echandole del poder por completo. Pero la campana fue fea para quienes estaban acostumbrados a imaginar que Canada era un dechado de decencia. Los activistas antivacunas persiguieron a Trudeau, alguien incluso le arrojo gravilla en una parada de la campana. El partido de extrema derecha de Maxime Bernier, el Partido Popular, triplico su cuota de votos gracias a su retorica sobre las supuestas amenazas a las libertades personales relacionadas con el Covid-19, aunque no logro la eleccion de ningun candidato. Trudeau convoco la votacion el pasado verano con la esperanza de que, basandose en la competente gestion de la pandemia por parte de su gobierno, pudiera recuperar la mayoria en la Camara Baja del Parlamento de la que disfruto en su primer mandato pero que perdio en 2019. Trudeau describio las ultimas elecciones como posiblemente las mas importantes desde el final de la Segunda Guerra Mundial, cuando Canada inicio una expansion de la red de bienestar social que aun contrasta con su gigantesco vecino del sur. Sin embargo, a pesar de argumentar que necesitaba un nuevo mandato para “reconstruir mejor” –como la lucha contra el cambio climatico y la revision de las chirriantes residencias de cuidados de larga duracion del pais, donde se han producido la mayoria de las 28.000 muertes relacionadas con el Covid–, los votantes no se dejaron impresionar. Al final fue como si la votacion de septiembre nunca hubiera ocurrido, en terminos de resultados. El total de escanos de los partidos apenas cambio. El Partido Liberal, en el gobierno, no obtuvo la mayoria que deseaba,…
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.018 | 0.004 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.061 | 0.005 |
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".