Bibliographic record
Abstract
El objetivo de este artículo es proponer estrategias que minimicen el impacto de la pandemia en la economía en los hogares en Quebec-Canadá. La COVID-19 es la enfermedad causada por el nuevo coronavirus conocido como SARS-CoV-2. La discusión y análisis de esta problemática es relevante por cuanto el coronavirus COVID-19, ha generado un impacto negativo en todos los ámbitos de la sociedad. El Covid ha afectado a todas las poblaciones del mundo y Canadá no es la excepción. La provincia de Quebec es una de las provincias más importantes de Canadá con unos 8 millones de habitantes, sin embargo, su población es de las poblaciones de clase económica más baja, por lo que las familias con la pandemia se han visto altamente afectadas, muchas han dejado la provincia o piensan hacerlo, este trabajo debería ayudar a encontrar estrategias para superar la crisis. Se hizo una revisión de literatura de investigaciones vinculadas con el objeto de estudio y análisis de dos descriptores como son el coronavirus y las estrategias como mecanismos de acción que permitirá a los hogares de Quebec superar los problemas que han confrontado en lo que respecta a sus actividades laborales, ingresos, hábitos de consumo e higiene, entre otros. Es un estudio cuantitativo que utiliza la estadística inferencial para el análisis de los datos. Se desarrollará con un instrumento seleccionando 100 personas de las ciudades más importantes de la provincia de Quebec (Gatineau, laval, sherbrooke, Montreal y Quebec) entre estas ciudades se encuentra el 60% de la población de Quebec. El análisis de los datos se hará mediante el uso de un programa Statistical Package For Social Sciences. Se aspira concluir con un conjunto de estrategias orientadas a proponer planes de recuperación monetaria para las diversas familias y, por consiguiente, mejorar la situación económica de los hogares a consecuencia del COVID 19.
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 | 0.003 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".