The Use of a Health Compliance Monitoring System During the COVID-19 Pandemic in Indonesia: Evaluation Study
Notice bibliographique
Résumé
BACKGROUND: COVID-19 cases are soaring in Asia. Indonesia, Southeast Asia's most populous country, is now ranked second in the number of cases and deaths in Asia, after India. The compliance toward mask wearing, social distancing, and hand washing needs to be monitored to assess public behavioral changes that can reduce transmission. OBJECTIVE: This study aimed to evaluate this compliance in Indonesia between October 2020 and May 2021 and demonstrate the use of the Bersatu Lawan COVID-19 (BLC) mobile app in monitoring this compliance. METHODS: Data were collected in real time by the BLC app from reports submitted by personnel of military services, police officers, and behavioral change ambassadors. Subsequently, the data were analyzed automatically by the system managed by the Indonesia National Task Force for the Acceleration of COVID-19 Mitigation. RESULTS: Between October 1, 2020, and May 2, 2021, the BLC app generated more than 165 million reports, with 469 million people monitored and 124,315,568 locations under observation in 514 districts/cities in 34 provinces in Indonesia. This paper grouped them into 4 colored zones, based on the degree of compliance, and analyzed variations among regions and locations. CONCLUSIONS: Compliance rates vary among the 34 provinces and among the districts and cities of those provinces. However, compliance to mask wearing seems slightly higher than social distancing. This finding suggests that policy makers need to promote higher compliance in other measures, including social distancing and hand washing, whose efficacies have been proven to break the chain of transmission when combined with masks wearing.
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 | 0,012 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».