How Internet of Things responds to the COVID-19 pandemic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The cornovirus disease (COVID-19) pandemic has had a severe impact on our daily lives. As a result, there has been an increasing demand for technological solutions to overcome such challenges. The Internet of Things (IoT) has recently emerged to improve many aspects of human’s day-to-day activities and routines. IoT makes it easier to follow the safety guidelines and precautions provided by the World Health Organization (WHO). Prior reports have shown that the world nowadays may need more IoT facilities than ever before. However, little is known about the reaction of the IoT community towards defeating the COVID-19 pandemic, technologies being used, solutions being provided, and how our societies perceive the IoT means available to them. In this paper, we conduct an empirical study to investigate the IoT response to the COVID-19 pandemic. In particular, we study the characteristics of the IoT solutions hosted on a large online IoT community ( i.e. , Hackster.io ) throughout the year of 2020. The study: (a) explores the proportion, types, and nations of IoT solutions/engineers that contributed to defeating COVID-19, (b) characterizes the complexity of COVID-19 IoT solutions, and (c) identifies how IoT solutions are perceived by the surrounding community. Our results indicate that IoT engineers have been actively working towards providing solutions to help their societies, especially in the most affected nations. Our findings (i) provide insights into the aspects IoT practitioners need to pay more attention to when developing IoT solutions for COVID-19 and to (ii) outlines the common IoT solutions and technologies available to humans to deal with the current challenges.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,005 | 0,004 |
| 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 découle