Human behaviour, NPI and mobility reduction effects on COVID-19 transmission in different countries of the world
Notice bibliographique
Résumé
BACKGROUND: The outbreak of Coronavirus disease, which originated in Wuhan, China in 2019, has affected the lives of billions of people globally. Throughout 2020, the reproduction number of COVID-19 was widely used by decision-makers to explain their strategies to control the pandemic. METHODS: In this work, we deduce and analyze both initial and effective reproduction numbers for 12 diverse world regions between February and December of 2020. We consider mobility reductions, mask wearing and compliance with masks, mask efficacy values alongside other non-pharmaceutical interventions (NPIs) in each region to get further insights in how each of the above factored into each region's SARS-COV-2 transmission dynamic. RESULTS: We quantify in each region the following reductions in the observed effective reproduction numbers of the pandemic: i) reduction due to decrease in mobility (as captured in Google mobility reports); ii) reduction due to mask wearing and mask compliance; iii) reduction due to other NPI's, over and above the ones identified in i) and ii). CONCLUSION: In most cases mobility reduction coming from nationwide lockdown measures has helped stave off the initial wave in countries who took these types of measures. Beyond the first waves, mask mandates and compliance, together with social-distancing measures (which we refer to as other NPI's) have allowed some control of subsequent disease spread. The methodology we propose here is novel and can be applied to other respiratory diseases such as influenza or RSV.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».