Modeling Infectious Diseases in Humans and Animals:Modeling Infectious Diseases in Humans and Animals
Notice bibliographique
Résumé
Mathematical modeling of infectious diseases has progressed dramatically over the past 3 decades and continues to flourish at the nexus of mathematics, epidemiology, and infectious diseases research. Now recognized as a valuable tool, mathematical models are being integrated into the public health decision-making process more than ever before. However, despite rapid advancements in this area, a formal training program for mathematical modeling is lacking, and there are very few books suitable for a broad readership. To support this bridging science, a common language that is understood in all contributing disciplines is required. Modeling Infectious Diseases in Humans and Animals is a timely and successful attempt to fill this gap. In this volume, Keeling and Rohani cover many important topics in mathematical modeling of infectious diseases epidemiology and introduce a number of classic and modern techniques, with a vigilant approach that introduces and emphasizes the concepts but avoids the inclusion of extensive mathematical details. This recipe is ideal for a multidisciplinary field of research like infectious diseases epidemiology. To introduce basic modeling concepts to readers who may not be familiar with mathematical modeling literature, Keeling and Rohani begin with simple deterministic models. In addition, they establish fundamental notions, such as the basic reproductive number, epidemic curve, dynamic equilibrium, age of infection, and oscillatory dynamics. They further introduce more-refined and advanced models by incorporating heterogeneity with behavior or age, which accounts for variability in transmission risk in real populations.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».