Multiplayer games and HIV transmission via casual encounters
Notice bibliographique
Résumé
Population transmission models have been helpful in studying the spread of HIV. They assess changes made at the population level for different intervention strategies. To further understand how individual changes affect the population as a whole, game-theoretical models are used to quantify the decision-making process. Investigating multiplayer nonlinear games that model HIV transmission represents a unique approach in epidemiological research. We present here 2-player and multiplayer noncooperative games where players are defined by HIV status and age and may engage in casual (sexual) encounters. The games are modelled as generalized Nash games with shared constraints, which is completely novel in the context of our applied problem. Each player's HIV status is known to potential partners, and players have personal preferences ranked via utility values of unprotected and protected sex outcomes. We model a player's strategy as their probability of being engaged in a casual unprotected sex encounter (USE), which may lead to HIV transmission; however, we do not incorporate a transmission model here. We study the sensitivity of Nash strategies with respect to varying preference rankings, and the impact of a prophylactic vaccine introduced in players of youngest age groups. We also study the effect of these changes on the overall increase in infection level, as well as the effects that a potential prophylactic treatment may have on age-stratified groups of players. We conclude that the biggest impacts on increasing the infection levels in the overall population are given by the variation in the utilities assigned to individuals for unprotected sex with others of opposite HIV status, while the introduction of a prophylactic vaccine in youngest age group (15-20 yr olds) slows down the increase in HIV infection.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».