Digital Twin COVID Tracker Using Wastewater Data: A Middle-School Led Study Within the U.S. NSF National Research Traineeship Program Framework
Notice bibliographique
Résumé
Wastewater infrastructure exists in every municipality across the United States and many other nations, offering a universal, non-invasive platform for community-level disease surveillance. Because viruses such as SARS-CoV-2 shed into wastewater days before symptoms appear, wastewater-based epidemiology (WBE) can provide crucial early-warning signals for public health. This study presents an AI-enabled Digital Twin prototype that predicts short-term COVID-19 trends using Center for Disease Control (CDC) wastewater viral activity data. Uniquely, this project was conceived and executed by middleschool first authors, highlighting the importance of early STEM engagement and intentional mentoring of young professionals on societally relevant environmental and health challenges. This work was conducted as part of our ongoing National Science Foundation (NSF) and National Institutes of Health (NIH) projects led by senior authors, which focus on convergence research and workforce development in AI-enabled, omics-guided living-interface engineering. Computational modeling, Jupyter Notebook workflow, GitHub integration, and cloud deployment were supported by graduate mentors, while system design, experimental logic, and interpretation were led by the student authors. The resulting platform, accessible through an interactive web app and QR-code interface, illustrates how guided, ageappropriate research experiences can empower middle-school students to explore wastewater informatics, digital twin concepts, machine learning, and epidemiological modeling. This work was also recognized with a 3rd-place award in the Sixth Grade Engineering Category at the 2025 High Plains Regional Science & Engineering Fair, highlighting both scientific merit and the broader impact of engaging middle-school students in societally relevant STEM research.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».