Surveillance medicine, crowdsourced public health, and data-driven epidemiology: the privacy implications of digitally tracking and visualizing contagious disease outbreaks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The app and website SickWeather collects information from across the web, as well as self-reports from users, so that people can see who is sick in their neighbourhood. A future version of the app will even allow users to see which of their friends are talking about being sick on social media, yet surprisingly, few concerns have been raised about potential privacy infringements. Traditional public health methods for tracking contagious diseases are increasingly complemented with these kinds of digital tools, which use data mining, analytics, and crowdsourcing to predict and monitor disease outbreaks. What are the privacy and surveillance implications of digital disease tracking tools, and the dangers of constructing contagious disease outbreaks through data visualization? I draw on concepts of network power, the surveillance assemblage, and Deleuze's 'control societies', where individuals are moved from one node to another and the function of control is to accumulate and direct information.I performed a content and platform analysis of two apps, SickWeather and HealthMap, by using them over the course of three months, taking regular screenshots and keeping a detailed user journal. This analysis was guided by a cultural-historical activity theory (CHAT) framework, taking note of the data visualizations and other content, but also the functionalities of both apps, including the characteristics of membership, 'rules' and parameters of community mobilization and engagement, monetization, and moderation by designers. This allowed me to study HealthMap and SickWeather as modes of governance that allow for (and depend upon) certain actions and particular activity systems.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle