Assessing the potential for application of machine learning in predicting weather-sensitive waterborne diseases in selected districts of Tanzania
Notice bibliographique
Résumé
Introduction: This study evaluates the potential of machine learning (ML) to predict and manage weather-sensitive waterborne diseases (WSWDs) in selected Tanzanian districts, focusing on environmental health officers' (EHOs) knowledge and perceptions. It explores EHOs' familiarity with information and communication technology (ICT) and artificial intelligence (AI)/ML, alongside challenges and opportunities for integrating AI-driven public health solutions. Methods: A census-style survey was conducted among EHOs in three district councils. A structured questionnaire, piloted in one district, was administered to 76 EHOs, achieving a 66% response rate. Data were analyzed using descriptive and inferential statistics to assess knowledge levels, perceptions, and gender-related differences. Results: Most EHOs were moderately familiar with ICT; however, only 54% had prior exposure to AI/ML concepts, and 64% reported limited AI familiarity. Among the variables examined, only prior exposure to AI/ML concepts and self-reported familiarity with AI demonstrated statistically significant associations with gender. Despite this, the majority recognized AI/ML's potential to improve disease prediction accuracy. Key barriers to ML adoption include inadequate technical infrastructure, data quality issues, and a shortage of expertise. Opportunities identified included utilizing historical disease data, integrating AI with meteorological information, and using satellite imagery for surveillance. Discussion: The study highlights frontline health workers' perceived barriers to ML adoption and suggests that gender influences awareness and engagement with AI and ML technologies. Strengthening technical capacity, improving data quality, and fostering cross-sector collaboration are critical for successful AI/ML integration. These insights offer a roadmap for resilience to WSWDs in developing countries like Tanzania through data-driven technologies.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».