SEEDNet: Covariate-free multi-country settlement-level epidemiological estimates datasets for network analysis
Notice bibliographique
Résumé
ABSTRACT The study of population health through network science holds high promise, but data sources that allow complete representation of populations are limited in low-and middle-income countries. Large national health surveys designed to gather nationally representative health and development data are promising data sources but are not designed to produce small-area estimates of health indicators. Methods for producing these from national surveys tend to rely on varied covariate data sources and are computationally demanding, limiting their use for network representations of populations. To reduce the sources of measurement error and allow efficient multi-country representation of populations as networks of human settlements here, we present SEEDNet (Settlement-level Epidemiological Estimates Datasets for Network Analysis) 1 , a data library of multi-country representations of population health across human settlements. Our covariate-free method uses georeferenced national surveys to produce SAEs of health indicators through local inverse-distance weighted interpolation and includes an algorithm for the comprehensive identification of population settlements of all sizes across the globe. Our estimates are cross-validated against those obtained using a Bayesian Geostatistical Model. The method is fully automated, requiring a single standard georeferenced survey data source for mapping populations, eliminating the need for indicator or country-specific covariate selection by investigators. Computational efficiency is achieved by restricting computation to human-occupied areas and by adopting a logical aggregation of estimates into the complete range of settlement sizes. Standardized georeferenced settlement-level datasets for 15 indicators and 10 countries were validated in this paper, as well as the novel method to identify settlements. SEEDNet 1 is a specialized library of nodes that can serve as a basis for network representations of population health in low-and middle-income countries.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».