L’usage du couvre-feu dans la lutte contre la COVID-19 : peut-on parler de cohérence ?
Bibliographic record
Abstract
Depuis mars 2020, le gouvernement du Québec a mis en œuvre une série de mesures pour lutter contre le virus SARS-CoV-2 causant la COVID-19. Parmi ces mesures, il a imposé un couvre-feu à deux reprises — du 7 janvier au 28 mai 2021, puis du 31 décembre 2021 au 17 janvier 2022. Le présent article propose une réflexion qui vise à déterminer si l’usage du couvre-feu comme mesure de lutte contre la COVID-19 était cohérent. Pour ce faire, nous proposons d’abord de retenir six critères permettant de déterminer la cohérence d’une mesure, à savoir : les mesures font partie d’un ensemble d’éléments qui s’accordent bien les uns aux autres ; elles reposent sur un sens inféré commun ; elles sont plus ou moins cohérentes les unes avec les autres ; elles montrent un enchainement logique entre elles ; elles sont en continuité ; elles font partie d’ensembles d’éléments. Nous recensons ensuite toutes les mesures mises en œuvre par le gouvernement dans sa lutte contre la COVID-19 et les répartissons en différents ensembles, puis – en nous fondant sur les six critères mentionnés – nous évaluons la cohérence de l’usage du couvre-feu. Au terme de l’analyse, nous déterminons que l’usage du couvre-feu était cohérent, bien que certaines incohérences doivent être soulignées et nous cherchons à vérifier quels effets la cohérence relative de cette mesure a eus au sein de la société québécoise.
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 | 0.007 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.008 | 0.019 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 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".