Bibliographic record
Abstract
Par André Seleanu (membre de l'AICA, Association Internationale des Critiques d'art) À Cuba, l'année 2023 a été marquée par une crise économique et financière aigüe.Le tourisme, de provenance canadienne en grande partie, source primordiale de revenus pour l'île de la Caraïbe, a connu une grave baisse à la suite du ralentissement économique mondial et des mesures prophylactiques suscitées par la pandémie du COVID en 2021 et 2022.En 2023, même si la plupart des restrictions du COVID ont été graduellement enlevées, les revenus touristiques n'atteignaient même pas quarante pour cent de leur niveau d'avant la pandémie.La situation de la guerre en Ukraine, qui sévit depuis février 2022, frappe fort également : les prix mondiaux du blé ont vertigineusement augmenté à cause du blocus russe des ports ukrainiens sur la mer Noire ; la Russie a imposé manu militari l'embargo sur les exportations du blé de l'Ukraine, grand producteur de céréales, comme d'ailleurs son voisin russe.Il est difficile de concevoir que le prix du pain à La Havane ait quadruplé en deux ans.C'est aussi le cas pour la viande et le riz, d'autres aliments de base du peuple cubain.À ces infortunes, il faut ajouter la poursuite de l'embargo commercial américain contre Cuba, qui sévit depuis la prise du pouvoir par les révolutionnaires en 1960.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.008 |
| Scholarly communication | 0.016 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".