A Case for Participatory Disease Surveillance of the COVID-19 Pandemic in India
Notice bibliographique
Résumé
The coronavirus disease pandemic requires the deployment of novel surveillance strategies to curtail further spread of the disease in the community. Participatory disease surveillance mechanisms have already been adopted in countries for the current pandemic. India, with scarce resources, good telecom support, and a not-so-robust heath care system, makes a strong case for introducing participatory disease surveillance for the prevention and control of the pandemic. India has just launched Aarogya Setu, which is a first-of-its-kind participatory disease surveillance initiative in India. This will supplement the existing Integrated Disease Surveillance Programme in India by finding missing cases and having faster aggregation, analysis of data, and prompt response measures. This newly created platform empowers communities with the right information and guidance, enabling protection from infection and reducing unnecessary contact with the overburdened health care system. However, caution needs to be exercised to address participation from digitally isolated populations, ensure the reliability of data, and consider ethical concerns such as maintaining individual privacy.
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 | 0,093 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,021 |
| Communication savante | 0,016 | 0,016 |
| Science ouverte | 0,005 | 0,021 |
| Intégrité de la recherche | 0,010 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».