Intelligent COVID Risk Aversion System
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 lack of an in-depth system for determining exposure to COVID-19 has left people with a need for an autonomous method of tracking/monitoring user habits and active COVID-19 cases. The COVID Risk Aversion System (CRS) was created to track users and how often they encounter these risks around them. This project currently uses Ontario as a testbed. The CRS system consists of two main components: an in-house server and user application. Using internal and external technologies, CRS logs how often users interact with other users who have the application and the locations they visit. A server was developed to store every location that each user encounters and then categorizes a quantified risk to that specific location based on multiple factors. Risk is determined by COVID-19 cases in the area, risk values of people at given locations, and regional per capita cases of COVID-19. The server alters area risk based on decreasing or increasing cases within a specific region. Every hour, the server checks Ontario’s COVID-19 statistics and updates the database’s values, and then recalculates the dynamic values for all locations stored in the system. The client-side application reports the user’s location every 5 minutes and requests information on all users geographically close to that person using Vincenty’s formula. Twice a day, the application updates the user’s risk based on the interactions the user has had throughout the day. Users can also view a map of Ontario that displays regional risk and can check the risk of specific locations. CRS aims to be an effective method at reducing the user’s exposure to COVID-19.
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 | 0,000 |
| 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 | 0,001 | 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 découle