Challenges in Tracking the Risk of COVID-19 in Bangladesh: Evaluation of A Novel Method
Notice bibliographique
Résumé
ABSTRACT Identifying actual risk zones in a country where the overall test positive rate (TPR) is higher than 5% is crucial to contain the pandemic. However, TPR-based risk zoning methods are debatable since they do not consider the rate of infection in an area and thus, it has been observed to overestimate the risk. Similarly, the rate of infection in an area has been noticed to underestimate the risk of COVID-19 spreading for the zones with higher TPR. In this article, we discuss the shortcomings of currently available risk zoning methods that are followed in the lower-middle-income countries (LMIC), especially in Bangladesh. We then propose to determine a risk zone by combining the rate of infection with TPR and effective reproduction number, R t in a distinct manner from existing methods. We evaluate the efficacy of the proposed method with respect to the mass-movement events and show its application to track the evolution of COVID-19 pandemic by identifying the risk zones over time. Demo website for the visualization of the analysis can be found at: http://erdos.dsm.fordham.edu:3000 CCS CONCEPTS Applied computing → Health informatics . ACM Reference Format Md. Enamul Hoque, Md. Shariful Islam, Arnab Sen Sharma, Rashedul Islam, and Mohammad Ruhul Amin. 2021. Challenges in Tracking the Risk of COVID-19 in Bangladesh: Evaluation of A Novel Method. In Proceedings of August 15 (KDD Workshop on Data-driven Humanitarian Mapping, 27th ACM SIGKDD Conference) . ACM, New York, NY, USA, 7 pages.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 | 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 ».