論文の概要: Modeling the amplification of epidemic spread by misinformed populations
- arxiv url: http://arxiv.org/abs/2402.11351v2
- Date: Sat, 9 Mar 2024 16:52:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 14:11:29.458596
- Title: Modeling the amplification of epidemic spread by misinformed populations
- Title（参考訳）: 誤感染集団による流行拡大の増幅のモデル化
- Authors: Matthew R. DeVerna, Francesco Pierri, Yong-Yeol Ahn, Santo Fortunato,
Alessandro Flammini, Filippo Menczer
- Abstract要約: 本研究では、大規模で移動性に富んだ物理的接触ネットワークと、郡全体にわたる誤情報による個人分布を組み込んだ疫病モデルを提案する。
本モデルでは,誤報が感染拡大に与える影響を理解するために,様々なシナリオをシミュレートし,推定することができる。
このモデルを用いて、最悪のシナリオでは、誤報が米国内で4700万件のCOVID-19感染を引き起こした可能性があると推定する。
- 参考スコア（独自算出の注目度）: 43.389128992784045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding how misinformation affects the spread of disease is crucial for
public health, especially given recent research indicating that misinformation
can increase vaccine hesitancy and discourage vaccine uptake. However, it is
difficult to investigate the interaction between misinformation and epidemic
outcomes due to the dearth of data-informed holistic epidemic models. Here, we
propose an epidemic model that incorporates a large, mobility-informed physical
contact network as well as the distribution of misinformed individuals across
counties derived from social media data. Our model allows us to simulate and
estimate various scenarios to understand the impact of misinformation on
epidemic spreading. Using this model, we estimate that misinformation could
have led to 47 million additional COVID-19 infections in the U.S. in a
worst-case scenario.
- Abstract（参考訳）: 誤情報が病気の拡散にどのように影響するかを理解することは公衆の健康にとって重要である。
しかし,データインフォームド・包括的流行モデルによる誤情報と流行アウトカムの相互作用について調査することは困難である。
本稿では,大規模かつ移動性に富んだ物理的接触ネットワークと,ソーシャルメディアデータから得られた郡間における不正な個人分布を組み込んだ流行モデルを提案する。
このモデルによって,様々なシナリオをシミュレートし,予測し,誤情報の拡散に対する影響を理解することができる。
このモデルを用いて、最悪のシナリオでは、誤報が米国内で4700万件のCOVID-19感染を引き起こした可能性があると推定する。
関連論文リスト
- Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。
実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。
モンキーポックスのWHO流行宣言より4～9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
論文 参考訳（メタデータ） (2024-04-02T06:31:17Z) - Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance
of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。
我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。
スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文 参考訳（メタデータ） (2023-07-28T08:01:05Z) - When Infodemic Meets Epidemic: a Systematic Literature Review [3.3454373538792543]
ソーシャルメディアは、バイオサーベイランスに活用できる大量のデータを提供している。
この体系的な文献レビューは、さまざまな流行関連文脈におけるソーシャルメディアの統合の方法論的概要を提供する。
論文 参考訳（メタデータ） (2022-10-03T21:04:30Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Misinformation, Believability, and Vaccine Acceptance Over 40 Countries:
Takeaways From the Initial Phase of The COVID-19 Infodemic [11.737540072863405]
本報告では,世界規模でのCOVID-19インフォデミックへの感染状況について調査した。
誤報の認識と予防接種難易度との間には,強い関連性があることが判明した。
本研究は, インフォデミックの影響を受けやすい国に, 正確な情報を積極的に広める公共キャンペーンにおいて, 本研究がもたらす意味について論じる。
論文 参考訳（メタデータ） (2021-04-22T05:09:25Z) - An Extended Epidemic Model on Interconnected Networks for COVID-19 to
Explore the Epidemic Dynamics [2.89591830279936]
パンデミックコントロールは、感染した個人の傾向や影響を捉える疫病モデルを必要とする。
多くのエキサイティングなモデルはこれを実装できるが、実践的な解釈性に欠ける。
本研究は疫学とネットワーク理論を融合し,因果解釈能力を持つ枠組みを提案する。
論文 参考訳（メタデータ） (2021-04-10T06:46:01Z) - Digital Epidemiology: A review [0.0]
疫学は近年、計算モデルに基づく大きな進歩を目撃している。
ビッグデータとアプリによって、大規模な実データによるモデルの検証と精錬が可能になる。
エボラは、システム解を必要とするため、複雑性のレンズからアプローチする必要がある。
論文 参考訳（メタデータ） (2021-04-08T08:45:20Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z) - Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。
モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。
疫病の初期には、旅行データを用いて予測が増加することが示されている。
論文 参考訳（メタデータ） (2020-04-23T07:25:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。