A smart thermostat-based population-level behavioural changes during the COVID-19 pandemic in the United States
Notice bibliographique
Résumé
The COVID-19 pandemic wreaked havoc on the world and highlighted the inadequacies of public healthcare systems despite the availability of effective public health surveillance systems. The constraints caused by the pandemic had a great impact on behavioural markers such as physical, sedentary and sleep activity. In 2020, the United States (US) implemented the Behavioral Risk Factor Surveillance System (BRFSS) in some states for COVID-19 information searching, health risk behaviours and prevention practices. However, the BRFSS is limited by the quality of input data. When introduced, connected devices such as Fitbit were lauded as another best thing in data collection for research and faced challenges such as battery limitations and data quality. This proposed study will examine the consequences of the COVID-19 pandemic on the population-level behavioural changes in the US using Zero-effort technology, NextGen IoT data sources (Donate your Data (DYD) from a smart thermostat company named ecobee), and cloud-based analytical infrastructure (Microsoft Azure). The proposed study will a) evaluate the impact of the COVID-19 pandemic on household occupancy patterns and variations in the US; b) compute the sleep parameters (sleep time, wake up time, and sleep duration) and time spent in-house and out-of-the-house to explore the impact of COVID-19 pandemic restrictions on household behaviours in the US.
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 | 0,003 | 0,000 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».