COVID‐19 in Chihuahua, Mexico: Assessing its spatial behaviour through the inverse distance weighted interpolation technique
Notice bibliographique
Résumé
Abstract This study focused on the spatial evolution of COVID‐19 in the state of Chihuahua, Mexico. Data were retrieved from governmental databases and analyzed by means of GIS, applying the inverse distance weighted (IDW) method. The period of December 2019 through November 2021 was split into eight seasons. The root mean square error (RMSE) was used to assess the reliability of the interpolations, showing acceptable values (RSME < 25). During the period, the municipalities of Juarez and Chihuahua reached the highest number of confirmed cases and deaths, Juarez being the main hotspot of contagion (37.2% of confirmed cases; 46.9% of deaths). Four waves of contagion were identified during the evaluated period, with Fall 2020 being the strongest season. Since Fall 2020, the spread of the disease was more often observed in municipalities with the highest human mobility. Although the spread of COVID‐19 decreased after Spring 2021, in Fall 2021 records indicated a continuous increase in cases in the state. That could be due to a relaxation of the implementation of sanitary measures, as well as to the propagation of novel COVID‐19 variants having an elevated infectious level. Geospatial techniques allowed for an understanding of the spatial spread of COVID‐19 and could be useful for its control.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».