How has Aggregated Mobility Data-informed public health research?
Notice bibliographique
Résumé
Objective The widespread adoption of smartphones has enabled the collection and analysis of population-level mobility patterns through Aggregated Mobility Data. Mobility data is derived from both operator and crowdsourced sources, presents opportunities and challenges for public health research. This review explores how this novel data source has been used in public health studies, its benefits, limitations, and ethical considerations. Methods We conducted a narrative review of Aggregated Mobility Data applications in public health research, critically examining its potential and challenges. A systematic search of Embase and Google Scholar identified 645 peer-reviewed primary research articles. This included English peer-reviewed and primary research published between 2010-2024 where aggregated mobility data was being used to evaluate a public health outcome. After applying inclusion criteria, 95 studies were included for narrative synthesis and descriptive quantitative analysis. Results We found the majority of studies to date using Aggregated Mobility Data were related to COVID-19. Reporting of ethical and privacy considerations varied widely, with some studies undergoing formal ethics review, while others cited exemptions based on the use of anonymized or aggregate data. Key limitations of Aggregated Mobility Data included restricted access to data sources and challenges associated with small population sizes. Conclusion This review underscores the potential of Aggregated Mobility Data in public health research and highlights key considerations for researchers and policymakers. Future studies should address ethical standardization, data accessibility, and broader applications beyond infectious disease surveillance to fully leverage the utility of Aggregated Mobility Data in public health decision-making. Public Interest Summary With the rise of smartphones, researchers can now track population movement using Aggregated Mobility Data from mobile devices. This data has been widely used in public health, especially during COVID-19, to understand how people move and how that impacts disease spread. However, access to this data is often restricted, and ethical considerations like privacy protections vary across studies. Our review examined 95 studies to assess the applications in public health research. While this data offers valuable insights, future research should focus on standardizing ethical guidelines, improving data access, and expanding its use beyond infectious disease tracking to other public health challenges.
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 | 0,235 | 0,527 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,011 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,015 |
| Communication savante | 0,017 | 0,030 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».