Validity of air quality as a measure of human mobility. The COVID-19 context.
Notice bibliographique
Résumé
Abstract BackgroundMobility patterns are valuable in identifying transmission patterns for infectious diseases and in parametrizing mathematical models. Aggregated location data from mobile phones which have been the main means of measuring human mobility on a population level come with several limitations. MethodsWe explored the viability of using ground monitored air quality data as an alternative to aggregated location data from mobile phones in two cities in Uganda. We determined associations between air quality and human mobility and the effect of mobility restrictions on mobility and air quality using Pearson correlation (R), multivariable regression and visualized relationships using scatter plots. ResultsFine particulate matter (PM2.5) was negatively correlated with the government response stringency index for Kampala (R = -0.31, p<0.001) and Wakiso (R = -0.21, p<0.001). In Kampala, PM2.5 was positively associated with movement in grocery and pharmacy (R = 0.24, p<0.001), parks (R = 0.25, p<0.001), retail and recreation (R = 0.24, p<0.001), transit stations (R = 0.3, p<0.001) and work places (R = 0.2, p<0.001); and negatively correlated with movement in residential places (R = -0.3, p<0.001). Only associations between PM2.5 and movement in workplaces and residential places were statistically significant in Wakiso (R = 0.14, p<0.001 and R = -0.19, p = 0.003 respectively).ConclusionsThese findings suggest that air quality data are linked to human mobility data and could thus be used to monitor human movement patterns. This is a pioneer study to assess the value of air quality as a surrogate for human mobility.
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 | 0,007 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».