XAI for Understanding the Success in Curbing COVID-19
Notice bibliographique
Résumé
The Covid-19 pandemic has prompted governments worldwide to implement various non-pharmaceutical interventions (NPIs) in an effort to curb the pandemic to attenuate the harmness of the pandemic. However, there is a debate about how to assess the effectiveness of these interventions. A set of indicators has been used to monitor the outbreak such as case counts, infection rates, death rate, hospitalization. In this study, we contribute to the debate by firstly proposing a definition of the success in managing the pandemic in terms of mortality rate, socio-demographic and epidemiological factors. Secondly, we propose a modeling framework based on (1) analysing the time series pandemic data and (2) employing eXplainable Artificial Intelligence (XAI) to provide interpretability of the successfulness of countries in responding to the pandemic. By using a rich dataset collected by Oxford COVID-19 Government Response Tracker (OxCGRT), we built a success model based on Random Forest Regressor for time series analysis and we identified the major factors/practices/measures/protocols. Our findings indicate a significant relationship between policy compliance levels and death counts, highlighting the importance of considering mortality outcomes in evaluating the efficacy of interventions. Additionally, we discovered that socio-demographic and epidemiological factors such as elderly populations aged (65+), prevalent cardiovascular disease, high diabetes prevalence, increased smoking rates, and reduced life expectancy based on the person correlation coefficient are key determinants of success in managing the pandemic.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».