Peer Review #3 of "An ethical visualization of the NorthCOVID-19 model (v0.1)"
Notice bibliographique
Résumé
When modelling epidemics, the outputs and techniques used may be hard for the general public to understand.This can cause fear mongering and confusion on how to interpret the predictions provided by these models.This article proposes a solution for such a model that was created by a Canadian institute for COVID-19 in their region-namely, the NorthCOVID-19 model.In taking these ethical concerns into consideration, first the web interface of this model is analyzed to see how it may be difficult for a user without a strong mathematical background to understand how to use it.Second, a system is developed that takes this model's outputs as an input and produces a video summarization with an autogenerated audio to address the complexity of the interface, while ensuring that the end user is able to understand the important information produced by this model.A survey conducted on this proposed output asked participants, on a scale of 1 to 5, whether they strongly disagreed (1) or strongly agreed (5) with statements regarding the output of the proposed method.The results showed that the audio in the output was helpful in understanding the results (80% responded with 4 or 5) and that it helped improve overall comprehension of the model (85% responded with 4 or 5).For the analysis of the NorthCOVID-19 interface, a System Usability Scale (SUS) survey was performed where it received a scoring of 70.94 which is slightly above the average of 68.
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 | 0,028 | 0,203 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,300 | 0,147 |
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 ».