Interactive Visual Analysis of COVID-19
Notice bibliographique
Résumé
COVID-19 is an infectious disease caused by the SARS-CoV-2 virus. It was first detected in China in December 2019. It spreads between people in close contact. On the 11<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">th</sup> March 2020 the WHO declared the outbreak of the virus as a pandemic, which signaled a significant acceleration in the global response to the COVID-19 outbreak, and recognized the widespread transmission of the virus across multiple countries and continents. Data regarding COVID-19 was gathered and made available for open access. These data sources offer invaluable information for tracking, raising awareness and understanding of COVID-19, recognizing its impact, as well as informing the general public, health authorities, policy makers, situation managers and decision makers. However, COVID-19 data in its raw form is complex and difficult to understand and analyze. The application of visualization together with human factor design principles in a complex systems framework provides an effective means for exploiting these big and complex datasets. These techniques can transform such inherently non-visual data into intuitive visual forms that enable users to gain insight into, and understanding of, information contained within the data. This paper discusses the application of visualization and development of interactive dashboards, set in a complex systems framework, to provide an effective means for the users to explore, analyze and gain awareness of the situation, thus enabling informed decision making.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».