Notice bibliographique
Résumé
Each country has its own characteristics of COVID-19 infection trajectory and epidemic waves. Differences in government-implemented restrictions and social regulations result in variability of the virus transmissions and spread dynamics. This in turn results in various shapes of the growth function used to represent and describe the propagation of infection. Statistical methods are applied to fit non-linear functions to represent daily time-series data of the cumulative numbers of COVID-19 cases. The aim of this work is to fit various statistical models to the cumulative number of COVID-19 cases. Also to overview various types of the existed numerical methodologies. The data (since December 31, 2019) are available for almost each country in the world. As the examples, we used daily time-series data of the cumulative number of COVID-19 cases in Poland, Italy, Canada, and the USA. Non-linear approximations are applied to represent these time series data. The fitted functions allow us to investigate the dynamics of the pandemic. The constructed approximations are compositions of a few nonlinear functions, which describe the growth process of the COVID-19 infection trajectories. Two Gompertz functions and cumulative distribution functions (cdf) were estimated for the data of Poland and Italy (using the cdf for the normal distribution) and for the data of Canada and the USA (using the cdf for the gamma distribution). An analytical (parametric) functions representation of the number of COVID-19 cumulative cases is a useful tool to study the propagation of epidemics.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».