Modeling the interplay between disease spread, behaviors, and disease perception with a data-driven approach
Notice bibliographique
Résumé
Abstract Individuals’ perceptions of disease influence their adherence to preventive measures, shaping the dynamics of disease spread. Despite extensive research on the interaction between disease spread, human behaviors, and interventions, few models have incorporated real-world behavioral data on disease perception, limiting their applicability. This study novelly integrates disease perception, represented by perceived severity, as a critical determinant of behavioral change into a data-driven compartmental model to assess its impact on disease spread. Using survey data, we explore scenarios involving a competition between a COVID-19 wave and a vaccination campaign, where individuals’ behaviors vary based on their perceived severity of the disease. Results demonstrate that behavioral heterogeneities influenced by perceived severity affect epidemic dynamics, with high heterogeneity yielding contrasting effects. Longer adherence to protective measures by groups with high perceived severity provides greater protection to vulnerable individuals, while premature relaxation of behaviors by low perceived severity groups facilitates virus spread. Epidemiological curves reveal that differences in behavior among groups can eliminate a second infection peak, resulting in a higher first peak and overall more severe outcomes. The specific modeling approach for how perceived severity modulates behavior parameters does not strongly impact the model’s outcomes. Sensitivity analyses confirm the robustness of our findings, emphasizing the consistent impact of behavioral heterogeneities across various scenarios. Our study underscores the importance of integrating risk perception into infectious disease transmission models and highlights the necessity of extensive data collection to enhance model accuracy and relevance.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».