Role of Drone Technology Helping in Alleviating the COVID-19 Pandemic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The COVID-19 pandemic, caused by a new coronavirus, has affected economic and social standards as governments and healthcare regulatory agencies throughout the world expressed worry and explored harsh preventative measures to counteract the disease's spread and intensity. Several academics and experts are primarily concerned with halting the continuous spread of the unique virus. Social separation, the closing of borders, the avoidance of big gatherings, contactless transit, and quarantine are important methods. Multiple nations employ autonomous, digital, wireless, and other promising technologies to tackle this coronary pneumonia. This research examines a number of potential technologies, including unmanned aerial vehicles (UAVs), artificial intelligence (AI), blockchain, deep learning (DL), the Internet of Things (IoT), edge computing, and virtual reality (VR), in an effort to mitigate the danger of COVID-19. Due to their ability to transport food and medical supplies to a specific location, UAVs are currently being utilized as an innovative method to combat this illness. This research intends to examine the possibilities of UAVs in the context of the COVID-19 pandemic from several angles. UAVs offer intriguing options for delivering medical supplies, spraying disinfectants, broadcasting communications, conducting surveillance, inspecting, and screening patients for infection. This article examines the use of drones in healthcare as well as the advantages and disadvantages of strict adoption. Finally, challenges, opportunities, and future work are discussed to assist in adopting drone technology to tackle COVID-19-like diseases.
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.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle