A Comprehensive Study to Analyze Trends in Web Search Interests Related to Fall Detection Before and After COVID-19
Notice bibliographique
Résumé
Falls, considered a serious health-related concern for the elderly people, are associated with multiple diverse and dynamic needs for the elderly people themselves, their caregivers, their family members, and healthcare professionals. The modern-day Internet of Everything lifestyle is characterized by people using the internet for a multitude of reasons which also includes seeking and sharing information related to such needs. Such activity on the internet results in the generation of tremendous amounts of web behavior-based Big Data which can be studied and analyzed to investigate the trends in the underlining needs and the associated web search interests. The COVID-19 pandemic that the world is facing right now has impacted the elderly population to a significant extent. In fact, the elderly population is considered a demographic group that is most likely to get infected by this virus and develop serious symptoms, which could lead to hospitalizations and death. There hasn't been any study conducted in the field of aging research thus far that investigates how the COVID-19 pandemic may or may not have impacted the needs related to fall detection in the elderly. This work aims to address this research challenge. A dedicated methodology based on Google Trends is proposed in this paper that studies the web behavior-based Big Data related to fall detection from different countries both before and after the pandemic. The preliminary results presented from the analysis of the web behavior-based Big Data from 14 countries - USA, India, Germany, United Kingdom, Spain, Australia, Indonesia, Malaysia, Thailand, South Africa, Canada, Philippines, Sweden, and Ireland, which are amongst the countries worst hit by COVID-19, shows evidence that the pandemic had an impact towards increasing the web search interests related to fall detection in multiple countries.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».