A Global Digital Citizen Science Policy to Tackle Pandemics Like COVID-19
Notice bibliographique
Résumé
The coronavirus disease (COVID-19) pandemic is an extremely complex existential threat that requires cohesive societal effort to address health system inefficiencies. When our society has faced existential crises in the past, we have banded together by using the technology at hand to overcome them. The COVID-19 pandemic is one such threat that requires not only a cohesive effort, but also enormous trust to follow public health guidelines, maintain social distance, and share necessities. However, are democratic societies with civil liberties capable of doing this? Mobile technology has immense potential for addressing pandemics like COVID-19, as it gives us access to big data in terms of volume, velocity, veracity, and variety. These data are particularly relevant to understand and mitigate the spread of pandemics such as COVID-19. In order for such intensive and potentially intrusive data collection measures to succeed, we need a cohesive societal effort with full buy-in from citizens and their representatives. This article outlines an evidence-based global digital citizen science policy that provides the theoretical and methodological foundation for ethically sourcing big data from citizens to tackle pandemics such as COVID-19.
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 | 0,115 | 0,153 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,026 |
| Communication savante | 0,025 | 0,040 |
| Science ouverte | 0,005 | 0,031 |
| Intégrité de la recherche | 0,051 | 0,030 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 ».