Modelling the impact of non-pharmaceutical interventions on COVID-19 exposure in closed-environments using agent-based modelling
Notice bibliographique
Résumé
Businesses can play a key role in reducing exposure to COVID-19 in closed environments. This is possible by assessing the impact of Non-Pharmaceutical Interventions (NPIs) in mitigating disease exposure. This study aims to assess the impact of NPIs on COVID-19 exposure in closed environments. This is achieved by proposing an innovative COVID-19 exposure prediction framework. The developed framework consists of three modules: Agent-Based Modelling (ABM) approach, Clustering Module (CM), and Decision Tree (DT) technique. The framework also integrates these modules considering the exposure time factor to identify the level of exposure to COVID-19 in closed environments. A supermarket based in Jordan is considered a case study to test the applicability of the proposed framework in predicting exposure levels and numbers. The impact of Individual and combined NPIs application in closed environment facilities is assessed based on the exposure level and other OIs such as opening time, body temperature measurement, and the number of people inside the supermarket. Key results show that wearing Mask, Face Shield and leaving Social Distance guarantees no exposure to COVID-19 and increases the safety level to 61.9% in a closed environment such as supermarkets with a potential exposure rate of up to 28.5% if otherwise.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 ».