Did anyone get sick this weekend?
Notice bibliographique
Résumé
Background Recreational water illnesses are not as well known as food borne illnesses in the media. There are several pathogens associated with ingesting surface water including Giardia, Cryptosporidium, and Toxoplasmosis. The use of technology for public health surveillance is also little known to the public and can provide much insight into other illnesses on social media not otherwise reported to public health and medical professionals. Illnesses on social media could represent a portion of unreported cases. These cases could be found on social media as a popular outlet for individual expression. Methods Social media posts were found using a variety of keywords including symptoms of significant waterborne illnesses and terms associated with human and environmental contamination. Social media posts were collected from forums and popular social media platforms such as reddit. The posts were then correlated with beach water quality data for a sampling site as geographically close to a case location as possible. Results Social media and water quality data collected from the Columbia river region were correlated. The correlation coefficient of 0.2335 indicates that there is no correlation between social media posts and beach water quality data. Numerous limitations may have impacted the correlation coefficient. Keywords associated with symptoms were more effective in obtaining quality threads and posts compared to other terms. Conclusions Correlating social media posts to water quality data in the Columbia river region does not provide statistically significant results. Manual gathering of social media data for public health surveillance is found to be inefficient and impractical. Further study is required in order to determine the effectiveness of using social media for public health data gathering. It remains to be seen whether correlating posts about illness on social media to water quality data is an effective method of surveillance for public health.
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 | 0,000 | 0,002 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,139 | 0,032 |
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 ».