A review on indoor airborne transmission of COVID-19– modelling and mitigation approaches
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
In the past few years, significant efforts have been made to investigate the transmission of COVID-19. This paper provides a review of the COVID-19 airborne transmission modeling and mitigation strategies. The simulation models here are classified into airborne transmission infectious risk models and numerical approaches for spatiotemporal airborne transmissions. Mathematical descriptions and assumptions on which these models have been based are discussed. Input data used in previous simulation studies to assess the dispersion of COVID-19 are extracted and reported. Moreover, measurements performed to study the COVID-19 airborne transmission within indoor environments are introduced to support validations for anticipated future modeling studies. Transmission mitigation strategies recommended in recent studies have been classified to include modifying occupancy and ventilation operations, using filters and air purifiers, installing ultraviolet (UV) air disinfection systems, and personal protection compliance, such as wearing masks and social distancing. The application of mitigation strategies to various building types, such as educational, office, public, residential, and hospital, is reviewed. Recommendations for future works are also discussed based on the current apparent knowledge gaps covering both modeling and mitigation approaches. Our findings show that different transmission mitigation measures were recommended for various indoor environments; however, there is no conclusive work reporting their combined effects on the level of mitigation that may be achieved. Moreover, further studies should be conducted to understand better the balance between approaches to mitigating the viral transmissions in buildings and building energy consumption.
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) | 0,001 | 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 | 0,000 | 0,000 |
| 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