Bayesian Design of Agricultural Disease Transmission Experiments for Individual Level Models
Notice bibliographique
Résumé
Abstract Here, we address the issue of experimental design for animal and crop disease transmission experiments, where the goal is to identify some characteristic of the underlying infectious disease system via a mechanistic disease transmission model. Design for such non-linear models is complicated by the fact that the optimal design depends upon the parameters of the model, so the problem is set in simulation-based, Bayesian framework using informative priors. This involves simulating the experiment over a given design repeatedly using parameter values drawn from the prior, calculating a Monte Carlo estimate of the utility function from those simulations for the given design, and then repeating this over the design space in order to find an optimal design or set of designs. Here we consider two agricultural scenarios. The first involves an experiment to characterize the effectiveness of a vaccine-based treatment on an animal disease in an in-barn setting. The design question of interest is on which days to make observations if we are limited to being able to observe the disease status of all animals on only two days. The second envisages a trial being carried out to estimate the spatio-temporal transmission dynamics of a crop disease. The design question considered here is how far apart to space the plants from each other to best capture those dynamics. In the in-barn animal experiment, we see that for the prior scenarios considered, observations taken very close to the beginning of the experiment tend to lead to designs with the highest values of our chosen utility functions. In the crop trial, we see that over the prior scenarios considered, spacing between plants is important for experimental performance, with plants being placed too close together being particularly deleterious to that performance.
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 | 0,089 | 0,145 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».