Spatial Correlation as an Early Warning Signal of Regime Shifts in a Multiplex Disease-Behaviour Network
Notice bibliographique
Résumé
Abstract Early warning signals of sudden regime shifts are a widely studied phenomenon for their ability to quantify a system’s proximity to a tipping point to a new and contrasting dynamical regime. However, this effect has been little studied in the context of the complex interactions between disease dynamics and vaccinating behaviour. Our objective was to determine whether critical slowing down (CSD) occurs in a multiplex network that captures opinion propagation on one network layer and disease spread on a second network layer. We parameterized a network simulation model to represent a hypothetical self-limiting, acute, vaccine-preventable infection with shortlived natural immunity. We tested five different network types: random, lattice, small-world, scale-free, and an empirically derived network. For the first four network types, the model exhibits a regime shift as perceived vaccine risk moves beyond a tipping point from full vaccine acceptance and disease elimination to full vaccine refusal and disease endemicity. This regime shift is preceded by an increase in the spatial correlation in non-vaccinator opinions beginning well before the bifurcation point, indicating CSD. The early warning signals occur across a wide range of parameter values. However, the more gradual transition exhibited in the empirically-derived network underscores the need for further research before it can be determined whether trends in spatial correlation in real-world social networks represent critical slowing down. The potential upside of having this monitoring ability suggests that this is a worthwhile area for further research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».