Designing Evidence-based Decision Support Systems for Pandemic Management Considering both Health and Economic Situation
Notice bibliographique
Résumé
During the first year of the Covid-19 pandemic, countries had no choice except Non-Pharmaceutical Interventions (NPIs) to control the spread of this infectious disease. Some of these interventions, like the stay-at-home order, were effective in controlling disease spread (Navazi et al., 2022); however, they caused adverse effects on the economic situation. So, we need a decision support system that can find effective NPIs in controlling the pandemic with low negative economic effects. This study aims to develop a multi-objective decision support system that can consider both. Since each pandemic has unique features, finding historical data to help decision-making is difficult, so the developed model should be able to consider existing evidence and best practices from other countries for providing suggestions (Navazi et al., 2024a). Since the effectiveness of NPIs is affected by society's adherence to NPIs, an indicator was added to the model to capture adherence with NPIs (Navazi et al., 2024b). The model should also consider pharmaceutical interventions after vaccine/cure development, because NPIs are still effective during the period it takes to reach herd immunity (Navazi et al., 2022). So, in this research, we used machine learning algorithms for learning from time series data gathered by Oxford University about NPI implementation levels. Moreover, a metaheuristic algorithm, an AI tool for optimization, is used to suggest the best level of NPI for the studied country based on evidence from other countries. The designed information system artifact is able to analyze time series data to discover knowledge about best practices and lessons learned for possible future pandemics.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».