The impact of threshold decision mechanisms of collective behavior on disease spread
Notice bibliographique
Résumé
Humans are a hyper-social species, which greatly impacts the spread of infectious diseases. How do social dynamics impact epidemiology and what are the implications for public health policy? Here, we develop a model of disease transmission that incorporates social dynamics and a behavior that reduces the spread of disease, a voluntary nonpharmaceutical intervention (NPI). We use a "tipping-point" dynamic, previously used in the sociological literature, where individuals adopt a behavior given a sufficient prevalence of the behavior in the population. The thresholds at which individuals adopt the NPI behavior are modulated by the perceived risk of infection, i.e., the disease prevalence and transmission rate, costs to adopt the NPI behavior, and the behavior of others. Social conformity creates a type of "stickiness" whereby individuals are resistant to changing their behavior due to the population's inertia. In this model, we observe a nonmonotonicity in the attack rate as a function of various biological and social parameters such as the transmission rate, efficacy of the NPI, costs of the NPI, weight of social consequences of shirking the social norm, and the degree of heterogeneity in the population. We also observe that the attack rate can be highly sensitive to these parameters due to abrupt shifts in the collective behavior of the population. These results highlight the complex interplay between the dynamics of epidemics and norm-driven collective behaviors.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».