Méthodes simples de modélisation mathématique pour évaluer le risque de transmission du SRAS-CoV-2 pendant les rassemblements
Bibliographic record
Abstract
Contexte : Les rassemblements peuvent contribuer de manière significative à la propagation du coronavirus du syndrome respiratoire aigu sévère 2 (SRAS-CoV-2). C’est pourquoi les interventions de santé publique ont cherché à limiter les rassemblements non répétés ou récurrents pour enrayer la pandémie de maladie à coronavirus 2019 (COVID 19). Malheureusement, l’éventail des différents types de rassemblements ne permet pas de donner des directives précises pour fixer des paramètres limitatifs (e.g. la taille totale du rassemblement, le nombre de cohortes, le degré de distanciation physique). Méthodes : Nous avons utilisé un cadre de modélisation générique basé sur les principes fondamentaux de probabilité pour dériver des formules simples permettant d’évaluer les risques d’introduction et de transmission liés aux rassemblements ainsi que l’efficacité potentielle de certaines stratégies de dépistage pour atténuer ces risques. Résultats : Le risque d’introduction peut être évalué de manière générale en fonction de la prévalence de la population et de la taille du rassemblement, tandis que le risque de transmission au cours d’un rassemblement dépend principalement de la taille du rassemblement. Pour les rassemblements récurrents, la structure de la cohorte n’a pas d’effet significatif sur la transmission entre cohortes. Les stratégies de test peuvent atténuer les risques, mais la fréquence et la performance des tests permettent d’établir un équilibre entre la détection et les faux positifs. Conclusion : La généralité du cadre de modélisation utilisé ici permet de démêler les différents facteurs des risques de transmission au cours des rassemblements. Ce cadre pourra éclairer la prise de décisions en matière de santé publique.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.024 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".