Geovisualization of COVID-19: State of the Art and Opportunities
Notice bibliographique
Résumé
La cartographie de la prévalence et de la propagation des maladies infectieuses n’a jamais été plus cruciale que dans le contexte de la pandémie de COVID-19. Une pléthore de tableaux de bord de SIG en ligne incorporant la fonctionnalité SIG de base ont été créés ; ces tableaux de bord ont servi de plateforme pour le partage rapide de données et la communication d’information en temps réel, facilitant somme toute la prise de décisions. Toutefois, bon nombre de ces tableaux ont été axés uniquement sur la présentation et le contrôle de l’incidence cumulative ou quotidienne des données sur la COVID-19, sans égard à la dimension temporelle. Les auteurs se penchent sur l’utilité des tableaux de bord basés sur les SIG pour cartographier la prévalence de la COVID-19, mais également sur les occasions manquées de mettre l’accent sur le composant temporel de la maladie (cyclicité, saisonnalité). Ils évoquent la possibilité d’un recours aux techniques avancées de géovisualisation pour intégrer le composant temporel aux cartes animées interactives illustrant a) le risque relatif quotidien et le nombre de jours pendant lesquels une zone géographique a été un foyer de contagion, b) le ratio du nombre de cas observés par rapport au nombre de cas prévus dans le temps et c) la dynamique du nombre des décès dans un cube espace-temps. Les auteurs illustrent ces méthodes au moyen des cas de COVID-19 et du nombre des décès aux États-Unis, à l’échelon des comtés, entre le 25 janvier et le 1 er octobre 2020. Ils expliquent comment chacune de ces méthodes de visualisation peut faciliter la compréhension d’importants concepts de santé publique appliqués à la pandémie comme le risque, la propagation et le taux de mortalité. Enfin, les auteurs proposent des pistes à envisager pour promouvoir la recherche au carrefour de la visualisation spatiotemporelle et des maladies infectieuses.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».