Notice bibliographique
Résumé
I construct a dynamic social-network model of the COVID-19 epidemic which embeds the SIR epidemiological model onto a graph of person-to-person interactions. The standard SIR framework assumes uniform mixing of infectious persons in the population. This abstracts from important elements of realism and locality: (i) people are more likely to interact with members of their social networks and (ii) health and economic policies can affect differentially the rate of viral transmission via a person's social network vs. the population as a whole. The proposed network-augmented (NSIR) model allows the evaluation, via simulations, of (i) health and economic policies and outcomes for all or subset of the population: lockdown/distancing, herd immunity, testing, contact tracing; (ii) behavioral responses and/or imposing or lifting policies at specific times or conditional on observed states. I find that viral transmission over a network-connected population can proceed slower and reach lower peak than transmission via uniform mixing. Network connections introduce uncertainty and path dependence in the epidemic dynamics, with a significant role for bridge links and superspreaders. Testing and contact tracing are more effective in the network model. If lifted early, distancing policies mostly shift the infection peak into the future, with associated economic costs. Delayed or intermittent interventions or endogenous behavioral responses generate a multi-peaked infection curve, a form of 'curve flattening', but may have costlier economic consequences by prolonging the epidemic duration.
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 | 0,000 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».