Geocomputational Approach to Simulate and Understand the Spatial Dynamics of COVID-19 Spread in the City of Montreal, QC, Canada
Notice bibliographique
Résumé
Throughout history, pandemics have forced societies to think beyond typical management and control protocols. The main goals of this study were to simulate and understand the spatial dynamics of COVID-19 spread and assess the efficacy of two policy measures in Montreal, Canada, to mitigate the COVID-19 outbreak. We simulated the COVID-19 outbreak using a Geographical Information System (GIS)-based agent-based model (ABM) and two management scenarios as follows: (1) human mobility reduction; and (2) observation of self-isolation. The ABM description followed the ODD (Overview, Design concepts, Details) protocol. Our simulation experiments indicated that the mainstream of COVID-19 transmissions (i.e., approximately 90.34%) occurred in public places. Besides, the results indicated that the rules aiming to reduce population mobility, led to a reduction of about 63 infected people each week, on average. Furthermore, our scenarios revealed that if instead of 42% (i.e., the adjusted value in the calibration), 10%, 20%, and 30% of infectious people had followed the self-isolation measure, the number of infected people would have risen by approximately 259, 207, and 83 more each week, on average, respectively. The map of critical locations of COVID-19 spreading resulted from our modeling and the evaluated effectiveness of two control measures on the COVID-19 outbreak could assist health policymakers to navigate through the pandemic.
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 | 0,002 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».