De start van de coronavirus “pandemie” was zorgvuldig georkestreerd. Er wordt aan herinnerd dat op 7 januari 2020 het “nieuwe virus” werd geïsoleerd, op 12 januari 2020 werd de vermeende genoomsequentie geüpload naar het internet en op 22 januari 2020 werd een dashboard, dat naar verluidt gevallen en sterfgevallen wereldwijd in realtime rapporteerde, opgezet en gelanceerd door de John Hopkins University. De kwaliteit van deze gegevens, die wereldwijd continu werden gebruikt, kon niet minder zijn. Het was gebaseerd op computersimulaties, schrijft Dr. Peter F. Mayer.

PANDA, een groep multidisciplinaire experts die kritisch staan ​​tegenover de mondiale reactie op Covid, hebben de databron en -generatie door de organisatie achter het dashboard onderzocht en de resultaten zijn bijna ongelooflijk. PANDA maakt nogmaals de dimensies van Corona duidelijk in vergelijking met echte ziekten: “Buiten China waren er in totaal slechts vier gevallen en waren er geen sterfgevallen. In feite zijn er tot nu toe slechts zes sterfgevallen officieel in verband gebracht met het virus, en ze kwamen allemaal uit Wuhan. Ter vergelijking: naar schatting worden jaarlijks 685 miljoen mensen besmet met het norovirus en sterven er 212.000 mensen aan. Wij zijn nergens ter wereld op de hoogte van een norovirus-dashboard.”

Maar de volgorde voor het installeren van de coronaviruspandemie werd zorgvuldig voorbereid tijdens de Event-201-oefening die in oktober 2019 werd georganiseerd door de Johns Hopkins University (JHU). De mensen daar wisten dus wat er moest gebeuren. PANDA zegt:

“Hoe vreemd het ook mag zijn dat een team bij JHU besloot een dashboard voor een naamloze ziekte te creëren en te publiceren terwijl het aantal gevallen en sterfgevallen in zo weinig landen zo laag is, zijn er mogelijke verklaringen voor waarom ze dit deden. Slechts drie maanden eerder had JHU Event 201 georganiseerd, een ‘tabletop-oefening’ gebaseerd op een fictief scenario waarin een nieuw coronavirus een wereldwijde en dodelijke pandemie veroorzaakte. Bovendien is de hoofdauteur van het dashboard (professor Lauren Gardner) een specialist in het modelleren van infectieziekten. Ondanks wat deze feiten zouden kunnen suggereren, was het dashboard, althans naar eigen zeggen, het resultaat van een “spontane” beslissing en duurde het “slechts een paar uur” om te creëren.

Ondanks dit overhaaste begin trok de nieuwe site al snel brede aandacht en werd al snel de belangrijkste datasite voor de media, medische onderzoekers, gezondheidsautoriteiten en het grote publiek, niet alleen in de Verenigde Staten maar ook wereldwijd. Binnen twee maanden na de lancering werd de site naar verluidt “1,2 miljard keer per dag bezocht“, goed voor bijna de helft van het verkeer van internetgigant Google. Binnen twee jaar werd het door medische onderzoekers in meer dan 8.500 artikelen geciteerd.

Het dashboard bood gegevens vrijwel in realtime aan, hoewel instellingen als het Duitse RKI of het Oostenrijkse AGES, zoals bekend, sommige dingen nog steeds niet zouden weten. PANDA analyseert vervolgens “enkele van de moeilijkheden bij het verkrijgen van gegevens in realtime, de bronnen waaruit ze die gegevens hebben verkregen, de manier waarop ze de gegevens in hun systeem hebben ingevoerd, de taalbarrières die bij dit proces betrokken waren, en ten slotte de rol die computersimulaties mogelijk hebben gespeeld”.

Realtime gegevens en gegevensbronnen

Als je kijkt naar de tijdsperioden waarin de statistische autoriteiten van verschillende landen hun sterftetafels publiceren, kun je raden dat realtime gegevens geen echte gegevens kunnen zijn. Voor de statistische autoriteiten duurt het doorgaans twee tot drie jaar voordat er solide gegevens beschikbaar zijn.

Om de datakwaliteit te begrijpen, moet je de bronnen kennen en evalueren. “Junk in, junk out” geldt ook hier. Volgens PANDA was de eerste gegevensbron “DXY, een online platform gerund door leden van de Chinese medische gemeenschap dat lokale media en overheidsrapporten samenvoegt om bijna realtime cumulatieve totalen te bieden van COVID-19-gevallen op provinciaal en staatsniveau in China“.

Blijkbaar was de bron te traag voor de makers van het dashboard en zijn ze op zoek gegaan naar andere bronnen. Volgens het bedrijf waren dit de drie belangrijkste bronnen:

• Twitter-feeds

• Online nieuwsdiensten

• Meldingen worden rechtstreeks naar het dashboard verzonden

Volgens PANDA worden over geen van deze drie categorieën bronnen verdere details gegeven. De kwaliteit wordt als volgt beoordeeld:

“Alle drie kunnen valse, overdreven of volledig verzonnen informatie bevatten. Geen van hen is publiekelijk aansprakelijk of onafhankelijk geverifieerd. Er wordt geen informatie verstrekt over wie rechtstreeks met de JHU kon of wilde communiceren.

Zoeken op internet naar nieuws over Covid kan het gegevensverzamelingsproces zeker versnellen. Helaas biedt dit, naast de hierboven genoemde problemen, ook de mogelijkheid van een ruisversterkende feedbacklus. Want als de “grote nieuwsbronnen” afhankelijk zijn van JHU om nauwkeurige gegevens te verkrijgen, hoe kan het dan zijn dat JHU zijn gegevens uit (mogelijk) dezelfde nieuwsbronnen haalt?”

Als men vertrouwt op parallelle bronnen, dan moet men ervoor zorgen dat duplicaten op betrouwbare wijze worden uitgesloten, maar hier is geen informatie over. PANDA vraagt terecht. “Betekent dit dat het aantal Covid-gevallen en -doden zoals gerapporteerd door het dashboard in sommige regio’s twee, drie of vele malen hoger kan zijn geweest dan in werkelijkheid?”

Computersimulaties als ‘bron’ van de data

JHU vermeldt ook Worldometer als databron, wat door Worldometer wordt bevestigd. De organisatie gebruikt echter computersimulaties om ‘statistische informatie’ in realtime te rapporteren.

PANDA schrijft:

“Hun simulaties zijn gebaseerd op jaartotalen en computerschattingen. Als bijvoorbeeld elk jaar een miljoen mensen omkomen bij auto-ongelukken, dan sterft er gemiddeld elke 31,6 seconden één persoon. Het ongevallendashboard van de Worldometer zou eenvoudigweg een nieuw sterfgeval toevoegen, ongeacht of er daadwerkelijk iemand in die periode is overleden. Natuurlijk zou Worldometer niet kunnen weten of er daadwerkelijk iemand is gestorven.

Heeft Worldometer computerberekeningen gebruikt om Covid-statistieken te bepalen op een vergelijkbare manier als auto-ongelukken? Zo ja (en aangezien ze de jaarlijkse totalen niet van tevoren konden kennen), hebben ze dan epidemiologische modellen gebruikt in plaats van echte sterfgevallen om te schatten hoeveel mensen dit jaar aan Covid zouden sterven? Beide vragen kunnen niet met zekerheid worden beantwoord. De lijst met bronnen bevat alleen overheidsinstellingen. Omdat er echter geen volledige bronnenlijst beschikbaar is en het gebruik van computeralgoritmen niet expliciet wordt ontkend, is het zeer waarschijnlijk dat Worldometer computermodellen heeft gebruikt om zijn Covid-statistieken te produceren. Dit wordt nog zekerder gemaakt door het feit dat regeringen niet in staat zouden zijn geweest om in realtime Covid-informatie te genereren.”

Waarom gebruikte JHU Worldometer als bron? Betekent dit dat de JHU-cijfers ook alleen maar zijn geproduceerd door een computer op basis van onbekende modellen?

Gedurende de eerste tien dagen nadat het JHU-dashboard werd gelanceerd, “werden alle gegevens handmatig verzameld en verwerkt , en vonden updates doorgaans twee keer per dag plaats.” Vanuit logistiek perspectief was dit haalbaar omdat er in deze periode slechts enkele gevallen en slechts enkele landen getroffen waren.

“Met betrekking tot de nauwkeurigheid van de gegevens zei het dat “voordat het dashboard handmatig wordt bijgewerkt, de zaaknummers zullen worden bevestigd door regionale en lokale gezondheidsafdelingen, evenals door de gezondheidsautoriteiten van steden en staten.” Er is echter al opgemerkt dat noch Canada, noch de VS binnen een periode van zes maanden sterfte- of griepgegevens hebben kunnen verstrekken. Hoe konden dan niet alleen Canada en de Verenigde Staten, maar uiteindelijk elk land ter wereld, dagelijkse aantallen gevallen en sterfgevallen verstrekken die de JHU ter verificatie zou kunnen gebruiken?

Volgens JHU werden de handmatige updates snel vervangen door automatische updates. Het datavolume was in februari echter nog minimaal en de algemene vraag rijst hoe “automatisch” omgegaan moet worden met de verschillende dataformaten in de betreffende landen. Er is ook de taalbarrière, omdat de nationale autoriteiten uiteraard in de nationale taal rapporteren.

“De problemen bij het extraheren van gegevens uit websites in vreemde talen zijn aanzienlijk, zelfs met automatische vertaalhulpmiddelen. Het is moeilijk voor te stellen dat dit op mondiale schaal zou worden geautomatiseerd. Het internet schrapen is bijna onmogelijk als de websites die worden doorzocht, zijn geschreven in een taal die de onderzoeker niet kent. Dergelijke uitdagingen zijn gebruikelijk voor iedereen die onderzoek doet over de hele wereld, en daarom beperken onderzoekers zich vaak tot landen waarvan ze de taal kennen. Hoe heeft het JHU-team dat toen gedaan?”

De JHU-website was altijd de eerste die nieuwe ‘uitbraken’ in een land meldde. En opnieuw in “real time” zoals werd beweerd:

“…het dashboard is bijzonder effectief in het vastleggen van de timing van het eerste gemelde COVID-19 geval in nieuwe landen of regio’s… Met uitzondering van Australië, Hong Kong en Italië, meldde de Johns Hopkins University CSSE nieuw geïnfecteerde landen eerder dan de WHO, waarbij Hong Kong en Italië binnen enkele uren na het overeenkomstige WHO-situatierapport werden gemeld.”

Dus “geïnfecteerde landen” werden geregistreerd door een geautomatiseerd dashboard… Dashboards registreren dit soort informatie echter nooit, mensen doen dat.

“Hoe is het mogelijk dat het kleine JHU-team zo snel reageerde en in bijna elk land de eerste nieuwe zaak ontdekte voordat iemand anders dat deed? Is het toeval dat Gardner onlangs een model heeft ontwikkeld dat precies dit kon voorspellen op basis van luchtverkeerspatronen? In een artikel over dit model staat: “Het model geeft het verwachte aantal (de 100) geïmporteerde gevallen weer dat op elke luchthaven wereldwijd aankomt.”

Computermodellering als belangrijkste gegevensbron

Het enige antwoord dat een rationele verklaring biedt voor alle tot nu toe gestelde vragen is dat het JHU-dashboard gebaseerd was op computersimulaties en niet op observatiegegevens. Het lijkt er ook op dat het JHU-team van tijd tot tijd empirische gegevens ontving, die vervolgens werden gebruikt om de resultaten van hun modellen aan te passen en te “corrigeren” [26 , 27 ]. De redenen waarom dit het meest plausibele antwoord is, zijn als volgt:

• • • Overheden zijn niet in staat om realtime gegevens te verstrekken.

    • Het is te moeilijk om gegevens uit nieuwssites in een vreemde taal te halen

    • Dashboardinvoer is geautomatiseerd

    • Er was geen geldige methode om de gegevens uit de nieuwsbronnen te extraheren.

    • Het dashboard werd met korte tussenpozen (15 minuten of elk uur) bijgewerkt.

    • Bronnen zijn onder meer Worldometer, een website gespecialiseerd in computersimulaties

    • De bronnen omvatten ook ‘directe communicatie met het dashboard’, wat gegevens uit een computersimulatie zouden kunnen zijn.

    • Het is niet bekend of de geautomatiseerde invoer op enigerlei wijze is geverifieerd.

    • Het dashboard was bedoeld om gezondheidsautoriteiten van gegevens te voorzien

    • De gezondheidsautoriteiten vertrouwden op de nauwkeurigheid van de JHU-gegevens

    • De repository bevat meerdere datadumps om de gegevens te ‘corrigeren’

    • Het dashboard rapporteerde de eerste nieuwe gevallen in een land voordat iemand anders dat deed.

Bewijs voor het gebruik van computermodellen

Op 4 maart 2024 e-mailde ik Lauren Gardner (de hoofdauteur van het JHU Dashboard-project) met de vraag of er ooit computermodellen voor het dashboard zijn gebruikt en of de modellen beschikbaar waren. Helaas heb ik tot op heden geen antwoord ontvangen.

Bij gebrek aan mondelinge bevestiging en omdat we tot nu toe alleen indirect bewijs hebben gevonden, moesten we doorgaan met zoeken naar misschien beter bewijsmateriaal over de vraag of de JHU al dan niet computermodellen gebruikte voor zijn gegevens. Het is niet verrassend dat dergelijk bewijs bestaat. Professor Lauren Gardner sprak op 13 maart 2020 tijdens een hoorzitting van het congres op Capitol Hill om het dashboard uit te leggen. Tijdens de presentatie maakte ze specifiek melding van “modelleringsinspanningen die we achter de schermen uitvoeren” [10 ].

Op de JHU-website staat ook:

“Gardner is een specialist in het modelleren van risico’s op infectieziekten, waaronder COVID-19…Gardner leidt de inspanningen op het gebied van COVID-19-modellering in samenwerking met Amerikaanse steden om op maat gemaakte modellen te ontwikkelen om het COVID-19-risico op lokaal niveau in te schatten [28 ].

Als je deze twee citaten combineert met het feit dat Gardner begin 2020 naar verluidt zo druk bezig was met het beheren van het dashboard dat ze geen tijd had om iets anders te doen, kun je veilig stellen dat het modelleerwerk voor het dashboard bedoeld was. In feite, en zoals een artikel aangaf, “werkten ze tien weken lang de klok rond en waren ze zo druk bezig met het onderhouden van het dashboard dat ze nauwelijks tijd hadden om de gegevens die het daadwerkelijk liet zien te analyseren” [6 ].

Het is ook vermeldenswaard dat Gardner in 2019 “een nieuw raamwerk voor wiskundige modellen” ontwikkelde voor het schatten van een virale uitbraak, een model dat “gekalibreerd zou moeten worden met behulp van historische uitbraakgegevens” [29 ].

Bovendien vermeldt de website van het Center for Systems Science and Engineering van JHU dat modellering een van de hoekstenen van de afdeling is. De afdeling CSSE definieert zichzelf met deze woorden: “Systeemwetenschap is een modelleringsbenadering die de dynamische interactie omvat van technische, menselijke en natuurlijke componenten in tijd en ruimte” [30 ].

Samenvatting en conclusies

Het JHU-dashboard was een hoax met nepgegevens die op de een of andere manier met behulp van computersimulaties waren geproduceerd, maar weinig met de werkelijkheid te maken hadden. Ze hadden tot doel eerst de schijn van een ‘pandemie’ te creëren en deze vervolgens in stand te houden. In de formulering van PANDA:

Het JHU-dashboard is “ontworpen om onderzoekers, gezondheidsautoriteiten en het publiek een eenvoudig te gebruiken hulpmiddel te bieden om de uitbraak te volgen terwijl deze zich ontwikkelt.” Afgezien van het feit dat het in realtime volgen van een ziekte vrijwel onmogelijk is, en ongeacht het feit dat er niets bijzonders “aan de hand was” toen ze de ziekte ontwikkelden, wijst alles erop dat ze erin zijn geslaagd een Covid-dashboard te creëren met behulp van computer- gebaseerde modellen die periodiek werden ‘gecorrigeerd’ met gegevens van officiële overheidswebsites. Door gegevens uit computermodellen te vermengen met gegevens uit observaties, terwijl ze beweerden dat ze ‘volledig afhankelijk zijn van publiekelijk beschikbare gegevens’, verwarden ze de gegevens zo erg dat ze betekenisloos werden. Als gevolg hiervan is en was de Covid-database van JHU zo onbetrouwbaar dat deze nooit had mogen worden gebruikt om Covid-gevallen of sterfgevallen vast te stellen.

Meld je aan om onze gratis dagelijkse nieuwsbrief met het belangrijkste nieuws direct in je mailbox te ontvangen:

Elk aspect van het ‘Covid’-verhaal is nep! Er was geen pandemie!

Klik op de tag ⬇️ om meer te lezen over