Strategizing COVID-19 lockdowns using mobility patterns
Notice bibliographique
Résumé
During the COVID-19 pandemic, governments have attempted to control infections within their territories by implementing border controls and lockdowns. While large-scale quarantine has been the most successful short-term policy, the enormous costs exerted by lockdowns over long periods are unsustainable. As such, developing more flexible policies that limit transmission without requiring large-scale quarantine is an urgent priority. Here, the dynamics of dismantled community mobility structures within US society during the COVID-19 outbreak are analysed by applying the Louvain method with modularity optimization to weekly datasets of mobile device locations. Our networks are built based on individuals' movements from February to May 2020. In a multi-scale community detection process using the locations of confirmed cases, natural break points from mobility patterns as well as high risk areas for contagion are identified at three scales. Deviations from administrative boundaries were observed in detected communities, indicating that policies informed by assumptions of disease containment within administrative boundaries do not account for high risk patterns of movement across and through these boundaries. We have designed a multi-level quarantine process that takes these deviations into account based on the heterogeneity in mobility patterns. For communities with high numbers of confirmed cases, contact tracing and associated quarantine policies informed by underlying dismantled community mobility structures is of increasing importance.
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 | 0,011 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,005 | 0,027 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».