Spatiotemporal disparities in regional public risk perception of COVID-19 using Bayesian Spatiotemporally Varying Coefficients (STVC) series models across Chinese cities
Notice bibliographique
Résumé
Regional public attention has been critical during the COVID-19 pandemic, impacting the effectiveness of sub-national non-pharmaceutical interventions. While studies have focused on public attention at the national level, sub-national public attention has not been well investigated. Understanding sub-national public attention can aid local governments in designing regional scientific guidelines, especially in large countries with substantial spatiotemporal disparities in the spread of infections. Here, we evaluated the online public attention to the COVID-19 pandemic using internet search data and developed a regional public risk perception index (PRPI) that depicts heterogeneous associations between local pandemic risk and public attention across 366 Chinese cities. We used the Bayesian Spatiotemporally Varying Coefficients (STVC) model, a full-map local regression for estimating spatiotemporal heterogeneous relationships of variables, and improved it to the Bayesian Spatiotemporally Interacting Varying Coefficients (STIVC) model to incorporate space-time interaction non-stationarity at spatial or temporal stratified scales. COVID-19 daily cases (median contribution 82.6%) was the most critical factor affecting public attention, followed by urban socioeconomic conditions (16.7%) and daily population mobility (0.7%). After adjusting national and provincial impacts, city-level influence factors accounted for 89.4% and 58.6% in spatiotemporal variations of public attention. Spatiotemporal disparities were substantial among cities and provinces, suggesting that observing national-level public dynamics alone was insufficient. Multi-period PRPI maps revealed clusters and outlier cities with potential public panic and low health literacy. Bayesian STVC series models are systematically proposed and provide a multi-level spatiotemporal heterogeneous analytical framework for understanding collective human responses to major public health emergencies and disasters.
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 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».