Recension des solutions technologiques développées dans le monde afin de limiter la propagation de la COVID-19 et typologie des applications de traçage
Bibliographic record
Abstract
En réponse à la pandémie de COVID-19, la communauté scientifique mondiale, les gouvernements, ainsi qu’une partie de la société civile se sont rapidement mobilisés pour essayer de ralentir la propagation du virus, protéger la population, sauver des vies et permettre un retour à une vie « normale » avec une reprise des activités économiques le plus rapidement possible. Dans ce contexte, une multitude de solutions technologiques s’appuyant sur des outils jusqu’à lors jamais utilisés en contexte de crise sanitaire ont été développées et certaines déjà déployées à travers le monde afin d’aider à lutter contre la propagation du virus. Ce document de recension préparé par Christophe Mondin et Nathalie de Marcellis-Warin, propose d'abord un tour d’horizon d’un grand nombre de solutions technologiques développées dans le monde en réponse à la pandémie. Cette recension est par la suite axée sur les applications de traçage pour téléphones intelligents qui visent à limiter les chaînes de contagion, soit par la recherche de contacts (« contact tracing ») ou par la localisation (« position tracking) » des individus, infectés ou non par le coronavirus. Une typologie de ces applications de traçage complète ce rapport et les présente par grandes catégories et selon leurs caractéristiques principales. Cette analyse descriptive des applications de traçage met en lumière certains enjeux à prendre en compte lors du choix d’une technologie par rapport à une autre. Ce document a été préparé sous la direction de la fonction Veille et enquêtes de l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA) dans le cadre des travaux sur les effets des systèmes d’intelligence artificielle et des outils numériques déployés pour lutter contre la propagation de la COVID-19 sur les sociétés soutenues par les Fonds de recherche du Québec (FRQ).
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 | 0.005 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.004 |
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".