Spatiotemporal Analysis of Human Mobility based on Land Use Types in the Greater Toronto Area during COVID-19 Pandemic
Notice bibliographique
Résumé
The 2019 Coronavirus disease COVID-19 is an infectious respiratory disease caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). It undoubtedly poses a huge challenge in terms of public health and social impact worldwide. The Ontario government implemented a series of non-pharmaceutical interventions (NPIs) prior to vaccination to prevent large-scale outbreaks in the Great Toronto Area (GTA), which is the most densely populated region in Ontario. Detecting and analyzing human mobility during the pandemic can help decision makers assess the effectiveness of policy implementation, in order to better respond to similar events in the future. Geotagged Twitter data serves as an important source of volunteered geographic information (VGI). Anonymized geotagged tweet in the GTA in 2020 using the Twitter Academic API are used to analyze inner-city human mobility. The results provide a longer-term insight into how human activity is affected by the pandemic as well as government orders. In this thesis, human mobility spatiotemporal patterns in the GTA are found to be close to patterns founded in the previous studies. People are affected more by the severeness of the first outbreak. More people stay at home rather than in commercial areas, schools, and workplaces. Human mobility in open spaces is affected by seasons besides policy effects. Human mobility in utility and transportation areas is related to the properties of the areas they connect. Most of the policies received significant reflections within one week of release, but milder policies resulted in insignificant human mobility changes. Human mobility patterns in most land use types have moderate correlation with the Google Community Mobility Report. Even so, some limitations still exist.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 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 ».