Analyzing Cross-country Pandemic Connectedness During COVID-19 Using a Spatial-Temporal Database: Network Analysis
Notice bibliographique
Résumé
Communicable diseases including COVID-19 pose a major threat to public health worldwide. To curb the spread of communicable diseases effectively, timely surveillance and prediction of the risk of pandemics are essential. The aim of this study is to analyze free and publicly available data to construct useful travel data records for network statistics other than common descriptive statistics. This study describes analytical findings of time-series plots and spatial-temporal maps to illustrate or visualize pandemic connectedness. We analyzed data retrieved from the web-based Collaborative Arrangement for the Prevention and Management of Public Health Events in Civil Aviation dashboard, which contains up-to-date and comprehensive meta-information on civil flights from 193 national governments in accordance with the airport, country, city, latitude, and the longitude of flight origin and the destination. We used the database to visualize pandemic connectedness through the workflow of travel data collection, network construction, data aggregation, travel statistics calculation, and visualization with time-series plots and spatial-temporal maps. We observed similar patterns in the time-series plots of worldwide daily flights from January to early-March of 2019 and 2020. A sharp reduction in the number of daily flights recorded in mid-March 2020 was likely related to large-scale air travel restrictions owing to the COVID-19 pandemic. The levels of connectedness between places are strong indicators of the risk of a pandemic. Since the initial reports of COVID-19 cases worldwide, a high network density and reciprocity in early-March 2020 served as early signals of the COVID-19 pandemic and were associated with the rapid increase in COVID-19 cases in mid-March 2020. The spatial-temporal map of connectedness in Europe on March 13, 2020, shows the highest level of connectedness among European countries, which reflected severe outbreaks of COVID-19 in late March and early April of 2020. As a quality control measure, we used the aggregated numbers of international flights from April to October 2020 to compare the number of international flights officially reported by the International Civil Aviation Organization with the data collected from the Collaborative Arrangement for the Prevention and Management of Public Health Events in Civil Aviation dashboard, and we observed high consistency between the 2 data sets. The flexible design of the database provides users access to network connectedness at different periods, places, and spatial levels through various network statistics calculation methods in accordance with their needs. The analysis can facilitate early recognition of the risk of a current communicable disease pandemic and newly emerging communicable diseases in the future.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».