Bibliographic record
Abstract
Les répercussions de la pandémie de Covid-19 s’étendent au-delà de la crise sanitaire dans les domaines économiques, sociaux et politiques. Mais elles n’ont pas touché tout le monde de façon uniforme. Les inégalités sociétales existantes sont exacerbées ainsi que la marginalisation. Les travailleurs informels et migrants, et ceux qui vivent dans des établissements informels, sont touchés de manière disproportionnée par les effets sanitaires et secondaires de la pandémie. Cela a eu un impact supplémentaire sur leurs moyens de subsistance et leur capacité à répondre aux besoins fondamentaux, et a aussi limité leur capacité à se rétablir en raison des stratégies d’adaptation qu’ils ont dû adopter. Dans le même temps, le succès de la réduction des risques de catastrophe (RRC) dépend souvent d’acteurs et de réseaux informels. Les limites des systèmes formels de gouvernance des catastrophes ont fait l’objet de nombreuses discussions. Les lacunes sont largement associées au manque de connaissances (locales), de compréhension contextuelle, d’incitations, de systèmes de coordination ou de flexibilité. De plus, l’accent est souvent mis sur les solutions infrastructurelles et technocratiques plutôt que sur l’établissement de relations avec les ressources locales existantes. Malgré cela, les approches de gestion des catastrophes à court terme et à risque unique continuent de dominer.
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 | 0.003 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".