Estimating Social Contacts in Mass Gatherings Through Agent-Based Simulation Modeling: Case of Hajj Pilgrimage
Notice bibliographique
Résumé
Abstract Most mass gathering events have been suspended due to the SARS-CoV-2 pandemic. However, with vaccination rollout, whether and how to organize some of these mass gathering events arises as part of the pandemic recovery discussions, and this calls for decision support tools. Hajj, one of the world's largest religious gatherings, was substantively scaled down in 2020 and it is still unclear if it will take place in 2021 and subsequent years. Considering the disease trends and vaccination conditions in the pilgrims’ country of origin, and the operational and logistical aspects of implementing public health measures, Hajj reopening conditions could be very complex. Simulating disease transmission dynamics during the Hajj season under different conditions can provide some insights for better decision-making. Since most dis-ease risk assessment models require data on the number and nature of possible close contacts between individuals, we seek to use integrated agent-based modeling and discrete events simulation techniques to capture risky contacts among the pilgrims in one of the Hajj major sites, namely Masjid-Al-Haram. In particular, we assessed different scenarios concerning the total number of pilgrims and enforced physical distancing measures. Our simulation results show that a plethora of risky contacts may occur during the rituals. Also, as the total number of pilgrims increases at each site, the number of risky contacts increases, and physical distancing measures may be challenging to maintain beyond a certain number of pilgrims in the site.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».