Big Data Intelligence Solution for Health Analytics of COVID-19 Data with Spatial Hierarchy
Notice bibliographique
Résumé
In the current era of big data, technological advancements have made it easy and quick to generate and collect huge volumes of varieties of data from wide ranges of rich data sources. These big data may be of different levels of veracity, including precise data and imprecise or uncertain data. Embedded in the data are valuable information and useful knowledge that can be discovered by big data intelligence and computing. In this paper, we propose a big data intelligence solution for health analytics with spatial hierarchy. In particular, we focus on analyzing coronavirus disease 2019 (COVID-19) epidemiological data at different spatial granularity levels. Since its outbreak, there have been cumulatively millions of COVID-19 cases observed in various spatial locations around the world. Our solution focuses on analyzing and mining valuable information and useful knowledge (e.g., distribution, frequency, patterns) of health-related states and characteristics in populations in various spatial locations in a top-down fashion along the spatial hierarchy. To reduce redundancy, our solution discovers and returns to users (e.g., researcher, civilian) new information and knowledge not found at previous spatial hierarchical levels. The discovered information and knowledge helps the users to understand the disease better, and thus take an active role to fight, control, and/or combat the disease. Evaluation of our big data intelligence solution on real-life COVID-19 data demonstrates its practicality in health analytics of the data with spatial hierarchy and in revealing new knowledge about COVID-19 cases at different spatial granularity levels. The solution is expected to be adaptable to health analytics of other diseases.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».