Innovating at the human–technology interface in disasters and disease outbreaks
Notice bibliographique
Résumé
Disasters and disease outbreaks have long been a catalyst for innovative applications of emerging technologies. The urgent need to respond to an emergency leads to resourceful uses of the technologies at hand. However, the best and most cost-effective use of new technologies is to prevent disease and improve resilience. In this paper, the authors present a range of approaches through which both opportunities can be grasped. Global connectedness enables more data to be collected and processed in emergencies, especially with the rise of open-source data, including social media. In general, the poorest and most remote populations are most vulnerable to disaster. However, with smaller, faster, smarter, cheaper and more connected technology, reliable, efficient, and targeted response and recovery can be provided. Initially, crowdsourcing was used to find people, map affected areas, and determine resource allocation. This led to the generation of an overwhelming amount of data, and the need to extract valuable information from that data in a timely manner. As technology evolved, organisations started outsourcing many tasks, first to other people, then to machines. Since the volume of data generated outpaces human capacity, data analysis is being automated using artificial intelligence and machine learning, which furthers our abilities in predictive analytics. As we move towards prevention rather than remediation, information collection and processing must become faster and more efficient while maintaining accuracy. Moreover, these new strategies and technologies can help us to move forwards, by integrating layers of human, veterinary, public, and environmental health data for a One Health approach.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».