Improving policy design and epidemic response using integrated models of economic choice and disease dynamics with behavioral feedback
Notice bibliographique
Résumé
Human behavior plays a crucial role in infectious disease transmission, yet traditional models often overlook or oversimplify this factor, limiting predictions of disease spread and the associated socioeconomic impacts. Here we introduce a feedback-informed epidemiological model that integrates human behavior with disease dynamics in a credible, tractable, and extendable manner. From economics, we incorporate a dynamic decision-making model where individuals assess the trade-off between disease risks and economic consequences, and then link this to a risk-stratified compartmental model of disease spread taken from epidemiology. In the unified framework, heterogeneous individuals make choices based on current and future payoffs, influencing their risk of infection and shaping population-level disease dynamics. As an example, we model disease-decision feedback during the early months of the COVID-19 pandemic, when the decision to participate in paid, in-person work was a major determinant of disease risk. Comparing the impacts of stylized policy options representing mandatory, incentivized/compensated, and voluntary work abstention, we find that accounting for disease-behavior feedback has a significant impact on the relative health and economic impacts of policies. Including two crucial dimensions of heterogeneity-health and economic vulnerability-the results highlight how inequities between risk groups can be exacerbated or alleviated by disease control measures. Importantly, we show that a policy of more stringent workplace testing can potentially slow virus spread and, surprisingly, increase labor supply since individuals otherwise inclined to remain at home to avoid infection perceive a safer workplace. In short, our framework permits the exploration of avenues whereby health and wealth need not always be at odds. This flexible and extendable modeling framework offers a powerful tool for understanding the interplay between human behavior and disease spread.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».