Geovisualization of COVID-19: State of the Art and Opportunities
Bibliographic record
Abstract
La cartographie de la prévalence et de la propagation des maladies infectieuses n’a jamais été plus cruciale que dans le contexte de la pandémie de COVID-19. Une pléthore de tableaux de bord de SIG en ligne incorporant la fonctionnalité SIG de base ont été créés ; ces tableaux de bord ont servi de plateforme pour le partage rapide de données et la communication d’information en temps réel, facilitant somme toute la prise de décisions. Toutefois, bon nombre de ces tableaux ont été axés uniquement sur la présentation et le contrôle de l’incidence cumulative ou quotidienne des données sur la COVID-19, sans égard à la dimension temporelle. Les auteurs se penchent sur l’utilité des tableaux de bord basés sur les SIG pour cartographier la prévalence de la COVID-19, mais également sur les occasions manquées de mettre l’accent sur le composant temporel de la maladie (cyclicité, saisonnalité). Ils évoquent la possibilité d’un recours aux techniques avancées de géovisualisation pour intégrer le composant temporel aux cartes animées interactives illustrant a) le risque relatif quotidien et le nombre de jours pendant lesquels une zone géographique a été un foyer de contagion, b) le ratio du nombre de cas observés par rapport au nombre de cas prévus dans le temps et c) la dynamique du nombre des décès dans un cube espace-temps. Les auteurs illustrent ces méthodes au moyen des cas de COVID-19 et du nombre des décès aux États-Unis, à l’échelon des comtés, entre le 25 janvier et le 1 er octobre 2020. Ils expliquent comment chacune de ces méthodes de visualisation peut faciliter la compréhension d’importants concepts de santé publique appliqués à la pandémie comme le risque, la propagation et le taux de mortalité. Enfin, les auteurs proposent des pistes à envisager pour promouvoir la recherche au carrefour de la visualisation spatiotemporelle et des maladies infectieuses.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".