Use of mind genomics for public health and wellbeing: Lessons from COVID 19 pandemic
Notice bibliographique
Résumé
ABSTRACT Background: Machine learning (ML) tools can be used to analyze human mindsets and forecast behavioral patterns. ML can be used to understand the psychological processes and behavioral principles underlying public decision-making patterns. The aim of this study was to explore participants’ mindsets using ML and accordingly build messages for each mindset to enhance compliance with a public health policy, specifically physical distancing during the coronavirus disease 2019 (COVID-19) pandemic. Methods: An online questionnaire was administered using systematically varied combinations of elements and science of mind genomics. The questions focused on the perceived risk level of COVID-19, strategies to enhance physical distancing compliance, appropriate communicators of the policy, and different physical distancing practices. Snowball sampling was used to recruit participants until sample saturation was achieved among residents of the United Arab Emirates (UAE), aged 18– 80 years. Results: A total of 117 patients were included in this study. In the total panel, the strongest performing elements were those communicated by the government ( P <0.01) and clergy ( P < 0.05), with no differences between sex and age groups. Three mindset segments were identified: (1) followers of general strategies for physical distancing, (2) those interested in novel ways of practicing physical distancing, and (3) fascinating onlookers of the pandemic. Conclusion: Our results revealed that COVID-19 health-related messages are best communicated by the government and clergy in the UAE. These strategies may aid in the implementation and adoption of other public health policies.
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 | 0,005 | 0,009 |
| 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 | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».