Assessing the forecasting model ability in measuring the prevention transmission of COVID-19 pandemic: An application of visibility analysis using Inductive logic
Notice bibliographique
Résumé
Forecasting is an integral approach due to its ability to make informed act decisions and develop data-driven strategies. It's also used to make decisions related to current circumstances and predictions on future conditions. An integral part has been developed using visibility analysis for COVID-19 Outbreak, a lesson from Indonesia. The author identified that its topic has limited attention, especially in assessing the forecasting models. The issue comes from predicted results that are questionable or cannot be trusted without applying the visibility analysis in the forecasting model. The visibility analysis is required to assess the model's ability to forecast future events. In conjunction with the issue, this paper introduces the analysis of visibility error with the different concepts during model development for the transmission prevention measures in making the decision. This study applied a statistical approach to assess the visibility error of forecasting performance in determining how long periods of forecasting and deciding for transmission prevention measures COVID-19 pandemics. Also, we developed the visibility error of time-variant using inductive logic. The result indicated that the number of data required to perform forecasting work on the basis of forecasting model specifications. In conclusion, this study has been completed to develop the statistical formula for identifying the largest time horizon in forecasting model N = V + 2. Also, this developed model can assist the stakeholder in forecasting the number of transmission prevention and making the decision in case of COVID-19 pandemic.
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 | 0,014 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».