MétaCan
Menu
Retour à la cohorte
Enregistrement W4393016617 · doi:10.2196/47154

Short- and Long-Term Predicted and Witnessed Consequences of Digital Surveillance During the COVID-19 Pandemic: Scoping Review

2024· article· en· W4393016617 sur OpenAlexaffvenue
Leigha Comer, Lorie Donelle, Bradley Hiebert, Maxwell J. Smith, Anita Kothari, Saverio Stranges, Jason Gilliland, Jed Long, Jacquelyn Burkell, Jacob Shelley, Jodi Hall, James M. Shelley, Tommy Cooke, Marionette Ngole Dione, Danica Facca

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueCOVID-19 Digital Contact Tracing
Établissements canadiensQueen's UniversityWestern University
Organismes subventionnairesnon disponible
Mots-clésPandemicCoronavirus disease 2019 (COVID-19)Term (time)2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Data scienceInternet privacyComputer scienceVirologyMedicineOutbreakInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The COVID-19 pandemic has prompted the deployment of digital technologies for public health surveillance globally. The rapid development and use of these technologies have curtailed opportunities to fully consider their potential impacts (eg, for human rights, civil liberties, privacy, and marginalization of vulnerable groups). OBJECTIVE: We conducted a scoping review of peer-reviewed and gray literature to identify the types and applications of digital technologies used for surveillance during the COVID-19 pandemic and the predicted and witnessed consequences of digital surveillance. METHODS: Our methodology was informed by the 5-stage methodological framework to guide scoping reviews: identifying the research question; identifying relevant studies; study selection; charting the data; and collating, summarizing, and reporting the findings. We conducted a search of peer-reviewed and gray literature published between December 1, 2019, and December 31, 2020. We focused on the first year of the pandemic to provide a snapshot of the questions, concerns, findings, and discussions emerging from peer-reviewed and gray literature during this pivotal first year of the pandemic. Our review followed the PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews) reporting guidelines. RESULTS: We reviewed a total of 147 peer-reviewed and 79 gray literature publications. Based on our analysis of these publications, we identified a total of 90 countries and regions where digital technologies were used for public health surveillance during the COVID-19 pandemic. Some of the most frequently used technologies included mobile phone apps, location-tracking technologies, drones, temperature-scanning technologies, and wearable devices. We also found that the literature raised concerns regarding the implications of digital surveillance in relation to data security and privacy, function creep and mission creep, private sector involvement in surveillance, human rights, civil liberties, and impacts on marginalized groups. Finally, we identified recommendations for ethical digital technology design and use, including proportionality, transparency, purpose limitation, protecting privacy and security, and accountability. CONCLUSIONS: A wide range of digital technologies was used worldwide to support public health surveillance during the COVID-19 pandemic. The findings of our analysis highlight the importance of considering short- and long-term consequences of digital surveillance not only during the COVID-19 pandemic but also for future public health crises. These findings also demonstrate the ways in which digital surveillance has rendered visible the shifting and blurred boundaries between public health surveillance and other forms of surveillance, particularly given the ubiquitous nature of digital surveillance. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-https://doi.org/10.1136/bmjopen-2021-053962.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,219
Score d'incertitude au seuil0,964

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,365
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetCOVID-19 Digital Contact TracingTravaux en français237 207