COVID-19: Analytics Of Contagion On Inhomogeneous Random Social Networks
Notice bibliographique
Résumé
Motivated by the need for novel robust approaches to modelling the Covid-19 epidemic, this paper treats a population of $N$ individuals as an inhomogeneous random social network (IRSN). The nodes of the network represent different types of individuals and the edges represent significant social relationships. An epidemic is pictured as a contagion process that changes daily, triggered on day $0$ by a seed infection introduced into the population. Individuals' social behaviour and health status are assumed to be random, with probability distributions that vary with their type. First a formulation and analysis is given for the basic SI ("susceptible-infective") network contagion model, which focusses on the cumulative number of people that have been infected. The main result is an analytical formula valid in the large $N$ limit for the state of the system on day $t$ in terms of the initial conditions. The formula involves only one-dimensional integration. Next, more realistic SIR and SEIR network models, including "removed" (R) and "exposed" (E) classes, are formulated. These models also lead to analytical formulas that generalize the results for the SI network model. The framework can be easily adapted for analysis of different kinds of public health interventions, including vaccination, social distancing and quarantine. The formulas can be implemented numerically by an algorithm that efficiently incorporates the fast Fourier transform. Finally a number of open questions and avenues of investigation are suggested, such as the framework's relation to ordinary differential equation SIR models and agent based contagion models that are more commonly used in real world epidemic modelling.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».