Human network data collection in the wild
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Contagions - either pathogens spread through contact networks or societal memes spread through social networks - impact the occurrence and character of both epidemic and endemic diseases. While computational models explore disease parameters in the context of a given contact network, these models are always subject to the caveat that reality may not be consistent with the simplified assumptions regarding contact, contagion or network structure. More - and more accurate - data on the contact dynamics between people and places could alleviate some uncertainties, and make models more robust tools for policy-makers and researchers. Properly applied, consumer electronics can serve as a valuable source of this data. Using smartphones as sensor platforms rather than personal communications devices, it is possible to record high fidelity information on a participant's location, activity level, and contacts between both people and places. This paper describes the design, architecture and a preliminary deployment of a general smartphone-based epidemiological data collection system. The dataset, gathered over one month, contains over 45 million records related to the behavioral patterns of 39 participants. We provide an initial analysis of aggregate level statistics to demonstrate the power and scope of the technique for capturing relevant data. Demonstrating the potential for such data to inform decision-making, we further perform an agent-based simulation of a flu-like illness that uses the dataset to capture aspects of both person-person and environmental (place-person) transmission. We demonstrate that the data collection is possible, valuable, and scalable and that the data can be leveraged to inform detailed models capturing more complex physical interactions than were previously feasible.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découle