MétaCan
Menu
Retour à la cohorte
Enregistrement W4307472837 · doi:10.1145/3557995.3566116

Microscopic modeling of spatiotemporal epidemic dynamics

2022· article· en· W4307472837 sur OpenAlexaff
Tilemachos Pechlivanoglou, Gian Alix, Nina Yanin, Jing Li, Farzaneh Heidari, Manos Papagelis

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHuman Mobility and Location-Based Analysis
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceGranularityPandemicPopulationInfectious disease (medical specialty)SAFEREpidemic modelCoronavirus disease 2019 (COVID-19)Risk analysis (engineering)DiseaseGeographyMedicineComputer securityEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Conventional techniques of epidemic modeling are based on compartmental models, where population groups are transitioning from one compartment to another - for example, S, I, or R, (Susceptible, Infectious, or Recovered). Then, they focus on learning macroscopic properties of disease spreading, such as the transition rates between compartments. Although these models are useful in studying epidemic dynamics, they lack the granularity needed for analyzing individual behaviors during an epidemic and understanding the relationship between individual decisions and the spread of the disease. In this paper, we develop microscopic models of spatiotemporal epidemic dynamics informed by mobility patterns of individuals and their interactions. In contrast to macroscopic models, microscopic epidemic models focus on individuals and their properties, such as their activity level, mobility behaviors, and impact of mobility behavior changes. Our microscopic spatiotemporal epidemic model allows to: (i) assess the risk of infection of an individual based on mobility patterns; (ii) assess the risk of infection associated with specific geographic areas and points-of-interest (POIs); (iii) assess the risk of infection of a trip in an urban environment; (iv) provide trip recommendation for mitigating the risk of infection; and (v) assess targeted intervention strategies that aim to control the epidemic spreading. Our work provides an evidence-based data-driven model to inform individuals about the infection risks associated with their mobility behavior during a pandemic, providing at the same time safer alternatives. It can also inform public policy about the effectiveness of targeted intervention strategies that aim to contain or mitigate the epidemic spread compared to horizontal measures.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,317
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHuman Mobility and Location-Based AnalysisTravaux en français237 207