P1-S4.19 Stochastic network models
Notice bibliographique
Résumé
Background We present a general modelling scheme particularly adapted for the epidemiology of sexually transmitted infections. Emphasis is placed on the complex interaction structure of the population and on the probabilistic nature of the dynamics. Methods We represent the interaction structure of the population with complex network models. Markov Stochastic Processes are used to consider the probabilistic time evolution of both the network structure and the epidemiological state of the population. Idealised epidemiological problems are considered: they are qualitatively inspired by real-world systems but no actual real-world data is fed to the models. All analytical results are systematically validated through Monte Carlo numerical simulations. Results By dedicating compartments to individuals with both similar epidemiological states and similar contact patterns, we observe great agreement between analytical results and Monte Carlo simulations see Abstract P1-S4.19 Figure 1. This is a special case of the general observation that compartmental models perform better when individuals within each compartment are very similar among themselves. Explicit examples are given for contact patterns changing through time as well as for the interactions of different infections in the same population. Abstract P1-S4.19 Figure 1 Epidemiology on networks. Conclusions By specifying the structure of the population through its local features, we successfully model the probabilistic evolution of complex epidemiological systems. Infection stages and/or behavioural groups are considered the same way they are in “classical” compartmental models. The generality of the approach facilitates its application to a vast array of epidemiological phenomena.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».