Estimating the effect of selective border relaxation on COVID-19 in New Zealand.
Notice bibliographique
Résumé
AIMS: We developed a model, updated daily, to estimate undetected COVID-19 infections exiting quarantine following selectively opening New Zealand's borders to travellers from low-risk countries. METHODS: The prevalence of infectious COVID-19 cases by country was multiplied by expected monthly passenger volumes to predict the rate of arrivals. The rate of undetected infections entering the border following screening and quarantine was estimated. Level 1, Level 2 and Level 3 countries were defined as those with an active COVID-19 prevalence of up to 1/105, 10/105 and 100/105, respectively. RESULTS: With 65,272 travellers per month, the number of undetected COVID-19 infections exiting quarantine is 1 every 45, 15 and 31 months for Level 1, Level 2 and Level 3 countries, respectively. The overall rate of undetected active COVID-19 infections exiting quarantine is expected to increase from the current 0.40 to 0.50 per month, or an increase of one extra infection every 10 months. CONCLUSIONS: Loosening border restrictions results in a small increase in the rate of undetected COVID-19 infections exiting quarantine, which increases from the current baseline by one infection every 10 months. This information may be useful in guiding decision-making on selectively opening of borders in the COVID-19 era.
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 | 0,005 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».