Optimal media reporting intensity on mitigating spread of an emerging infectious disease
Notice bibliographique
Résumé
Mass media reports can induce individual behaviour change during a disease outbreak, which has been found to be useful as it reduces the force of infection. We propose a compartmental model by including a new compartment of the intensity of the media reports, which extends existing models by considering a novel media function, which is dependent both on the number of infected individuals and on the intensity of mass media. The existence and stability of the equilibria are analyzed and an optimal control problem of minimizing the total number of cases and total cost is considered, using reduction or enhancement in the media reporting rate as the control. With the help of Pontryagin's Maximum Principle, we obtain the optimal media reporting intensity. Through parameterization of the model with the 2009 A/H1N1 influenza outbreak data in the 8th Hospital of Xi'an in Shaanxi Province of China, we obtain the basic reproduction number for the formulated model with two particular media functions. The optimal media reporting intensity obtained here indicates that during the early stage of an epidemic we should quickly enhance media reporting intensity, and keep it at a maximum level until it can finally weaken when epidemic cases have decreased significantly. Numerical simulations show that media impact reduces the number of cases during an epidemic, but that the number of cases is further mitigated under the optimal reporting intensity. Sensitivity analysis implies that the outbreak severity is more sensitive to the weight α1 (weight of media effect sensitive to infected individuals) than weight α2 (weight of media effect sensitive to media items).
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».