دانش جوین
دوشنبه, خرداد ۱۹, ۱۴۰۴
  • نخست
  • علمی
  • تکنولوژی
    • آرشیو تکنولوژی
    • نرم افزار، اپلیکیشن، سیستم عامل
    • خودرو
    • آرشیو فین‌تک
      • IT
      • دوربین
    • لپتاپ و کامپیوتر و سخت افزار
    • موبایل
  • بازی‌های کامپیوتری
  • پزشکی، سلامت، بهداشت
  • هنر و فرهنگ
  • مقالات
  • سایر پیوندها
    • همیار آی‌تی
  • ورود
بدون نتیجه
مشاهده همه نتیجه
  • نخست
  • علمی
  • تکنولوژی
    • آرشیو تکنولوژی
    • نرم افزار، اپلیکیشن، سیستم عامل
    • خودرو
    • آرشیو فین‌تک
      • IT
      • دوربین
    • لپتاپ و کامپیوتر و سخت افزار
    • موبایل
  • بازی‌های کامپیوتری
  • پزشکی، سلامت، بهداشت
  • هنر و فرهنگ
  • مقالات
  • سایر پیوندها
    • همیار آی‌تی
بدون نتیجه
مشاهده همه نتیجه
دانش جوین
بدون نتیجه
مشاهده همه نتیجه
صفحه اصلی علمی

روش جدید دانشمندان ایرانی برای پیش‌بینی ابتلا به کووید-۱۹

دانش جوین توسط دانش جوین
۱۴ بهمن ۱۴۰۰
در علمی
زمان خواندن: زمان موردنیاز برای مطالعه: 1 دقیقه
2
12
بازدیدها
اشتراک گذاری در تلگراماشتراک گذاری در توییتر
روش جدید دانشمندان ایرانی برای پیش‌بینی ابتلا به کووید-۱۹

“سپنتا ضیغمی” و “سیروس شهابی”، دانشمندان ایرانی “دانشگاه کالیفرنیای جنوبی”، روش جدیدی را برای پیش‌بینی ابتلا به کووید-۱۹ ابداع کرده‌اند.

به گزارش دانشجو اینترنشنال و به نقل از ساینس دیلی، با ظهور سویه‌های جدید کروناویروس و گسترش سریع آن در سراسر جهان، هم مردم و هم سیاست‌گذاران با موضوع به حداقل رساندن میزان ابتلا به کووید-۱۹ رو به رو هستند. اگرچه برنامه‌های ردیابی دیجیتال، وعده‌هایی داده بودند اما به دلیل نگرانی‌های مربوط به حریم خصوصی، میزان پذیرش تا اندازه‌ای پایین بوده است.

پژوهشگران “دانشگاه کالیفرنیای جنوبی” (USC)، از روش جدیدی برای پیش‌بینی احتمال ابتلا به کووید-۱۹ خبر داده‌اند. این روش، ترکیب داده‌های مکانی تلفن همراه با الگوهای تحرک است که می‌تواند الگوهای گسترده‌ای را در مورد نحوه حرکت افراد از مکانی به مکان دیگر نشان دهد.

پژوهشگران به منظور ایجاد نمرات خطر برای مکان‌ها و زمان‌های خاص، مجموعه داده‌های بزرگی شامل سیگنال‌های موقعیت مکانی منتشرشده از تلفن‌های همراه در سراسر آمریکا طی سال‌های ۲۰۱۹ و ۲۰۲۰ را به کار بردند. به گفته پژوهشگران، این سیستم در مقایسه با سیستم‌های کنونی، ۵۰ درصد بهبودی را در دقت نشان می‌دهد.

“سپنتا ضیغمی” (Sepanta Zeighami)، از پژوهشگران این پروژه گفت: نتایج ما نشان می‌دهند که می‌توان مناطق خاصی را که دارای میزان خطر بالایی هستند، پیش‌بینی کرد و آنها را هدف قرار داد. چنین سیاست‌هایی با هدف مشخص کردن میزان خطر می‌توانند هم برای کنترل کووید-۱۹ و هم از نظر اقتصادی تاثیر قابل توجهی داشته باشند.

وی افزود: بعید است که کووید-۱۹ آخرین بیماری همه‌گیر در تاریخ بشریت باشد؛ بنابراین اگر بخواهیم از تکرار هرج و مرج سال ۲۰۲۰ و خسارات غم‌انگیز آن جلوگیری کنیم و در عین حال زندگی روزمره را تا حد امکان تحت تأثیر آن قرار ندهیم، در زمان وقوع همه‌گیری بعدی، به چنین داده‌های محوری نیاز داریم.

برای برطرف شدن نگرانی‌های مربوط به حریم خصوصی، داده‌های مبنی بر تحرک در قالبی جمع‌آوری می‌شوند و به پژوهشگران این امکان را می‌دهند تا الگوها را بدون شناسایی کاربران ببینند. به گفته پژوهشگران، این داده‌ها برای ردیابی افراد مبتلا یا جایی که آنها می‌روند، استفاده نمی‌شوند.

“سیروس شهابی” (Cyrus Shahabi)، از پژوهشگران این پروژه گفت: روش ما بر داده‌های انبوه ناشناس متکی است. این داده‌ها همان داده‌های مربوط به عبور و مرور نیستند، اما به شما کمک می‌کنند تا تصمیم بگیرید که آیا از یک آزادراه خاص در یک زمان خاص استفاده کنید یا خیر.

روش‌های مبتنی بر داده

به گفته پژوهشگران، سیستم‌های کنونی، اطلاعات دقیق و کافی را در مورد میزان ابتلا در مکان‌های خاص ارائه نمی‌کنند یا فرضیات غیرواقعی را در مورد نحوه ترکیب جمعیت‌ ارائه می‌دهند.

ضیغمی گفت: خطر ابتلا بر اساس مکان، بسیار متفاوت است و داشتن یک سیاست واحد، این موضوع را نادیده می‌گیرد که برخی از مناطق چگونه نسبت به سایرین پرخطرتر هستند.

بدین ترتیب، پژوهشگران با استفاده از داده‌های مربوط به تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-۱۹، یک شبیه‌سازی را برای تولید الگوهای واقعی ابتلا ایجاد کردند. در این شبیه‌سازی، برخی از عوامل در ابتدا آلوده می‌شوند و هنگام حرکت، بیماری را گسترش می‌دهند.

سپس پژوهشگران، مدلی ابداع کردند که امتیازهای مربوط به میزان خطر را بر اساس تراکم مکان و الگوهای تحرک در زمان و مکان معین ارائه می‌دهد. آنها با استفاده از شبیه‌ساز، این مدل را آزمایش کردند تا تعیین کنند که آیا می‌تواند میزان ابتلا در مکان‌های گوناگون را به طور دقیق پیش‌بینی کند یا خیر. مشخص شد که امتیازات خطر می‌توانند یک معیار قابل اعتماد برای ردیابی ابتلا در شهرهای سراسر آمریکا از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس‌آنجلس باشند.

پژوهشگران همان گونه که پیش‌بینی می‌شد، دریافتند که مقاصد محبوب یک شهر، خطرناک‌تر هستند. همچنین آنها دریافتند که ترکیب نحوه حرکت افراد به جای تکیه بر محبوبیت یک منطقه، به بهبود پیش‌بینی در مورد ابتلا کمک می‌کند. به گفته پژوهشگران، این موضوع، بر اهمیت کنار هم قرار دادن الگوهای تحرک و مدل‌های پیش‌بینی شیوع ابتلا برای ایجاد امتیاز خطر تأکید می‌کند.

به گفته پژوهشگران، دو روش کلیدی برای استفاده از این سیستم در جهان واقعی وجود دارد. مورد ساده تر، اتخاذ تصمیمات مرتبط با خط مشی در سطح محله است. به عنوان مثال، به دلیل خطر بالای ابتلا در سانتا مونیکا، این محله باید امروز تعطیل شود.

این سیستم برای مکان‌های هدفمندتر، مانند یک استادیوم خاص، داده‌های مربوط به حرکت در گذشته را تحلیل می‌کند تا بفهمد خطر ابتلا پس از رویداد مورد نظر در استادیوم چگونه تغییر می‌کند. سپس، سیستم با استفاده از مدل و داده‌های مربوط به جابه‌جایی می‌تواند پیش‌بینی کند و امتیازهای مربوط به خطر را تعیین کند.

پژوهشگران در نظر دارند که در آینده، امتیازات ویژه کاربر را همراه با حفظ حریم خصوصی توسعه دهند و امکان پیش‌بینی بلندمدت را برای چند هفته آینده فراهم کنند.

شهابی گفت: وضوح بسیار بالای داده‌های مربوط به تحرک و همچنین روش مقیاس‌پذیر ما، کمک می‌کند تا امتیازات خطر را با وضوح مکانی و زمانی بسیار دقیقی تخمین بزنیم؛ به عنوان مثال، یک رستوران خاص در زمان شام یا یک مرکز خرید در زمان ناهار.

انتهای پیام

روش جدید دانشمندان ایرانی برای پیش‌بینی ابتلا به کووید-۱۹

“سپنتا ضیغمی” و “سیروس شهابی”، دانشمندان ایرانی “دانشگاه کالیفرنیای جنوبی”، روش جدیدی را برای پیش‌بینی ابتلا به کووید-۱۹ ابداع کرده‌اند.

به گزارش دانشجو اینترنشنال و به نقل از ساینس دیلی، با ظهور سویه‌های جدید کروناویروس و گسترش سریع آن در سراسر جهان، هم مردم و هم سیاست‌گذاران با موضوع به حداقل رساندن میزان ابتلا به کووید-۱۹ رو به رو هستند. اگرچه برنامه‌های ردیابی دیجیتال، وعده‌هایی داده بودند اما به دلیل نگرانی‌های مربوط به حریم خصوصی، میزان پذیرش تا اندازه‌ای پایین بوده است.

پژوهشگران “دانشگاه کالیفرنیای جنوبی” (USC)، از روش جدیدی برای پیش‌بینی احتمال ابتلا به کووید-۱۹ خبر داده‌اند. این روش، ترکیب داده‌های مکانی تلفن همراه با الگوهای تحرک است که می‌تواند الگوهای گسترده‌ای را در مورد نحوه حرکت افراد از مکانی به مکان دیگر نشان دهد.

پژوهشگران به منظور ایجاد نمرات خطر برای مکان‌ها و زمان‌های خاص، مجموعه داده‌های بزرگی شامل سیگنال‌های موقعیت مکانی منتشرشده از تلفن‌های همراه در سراسر آمریکا طی سال‌های ۲۰۱۹ و ۲۰۲۰ را به کار بردند. به گفته پژوهشگران، این سیستم در مقایسه با سیستم‌های کنونی، ۵۰ درصد بهبودی را در دقت نشان می‌دهد.

“سپنتا ضیغمی” (Sepanta Zeighami)، از پژوهشگران این پروژه گفت: نتایج ما نشان می‌دهند که می‌توان مناطق خاصی را که دارای میزان خطر بالایی هستند، پیش‌بینی کرد و آنها را هدف قرار داد. چنین سیاست‌هایی با هدف مشخص کردن میزان خطر می‌توانند هم برای کنترل کووید-۱۹ و هم از نظر اقتصادی تاثیر قابل توجهی داشته باشند.

وی افزود: بعید است که کووید-۱۹ آخرین بیماری همه‌گیر در تاریخ بشریت باشد؛ بنابراین اگر بخواهیم از تکرار هرج و مرج سال ۲۰۲۰ و خسارات غم‌انگیز آن جلوگیری کنیم و در عین حال زندگی روزمره را تا حد امکان تحت تأثیر آن قرار ندهیم، در زمان وقوع همه‌گیری بعدی، به چنین داده‌های محوری نیاز داریم.

برای برطرف شدن نگرانی‌های مربوط به حریم خصوصی، داده‌های مبنی بر تحرک در قالبی جمع‌آوری می‌شوند و به پژوهشگران این امکان را می‌دهند تا الگوها را بدون شناسایی کاربران ببینند. به گفته پژوهشگران، این داده‌ها برای ردیابی افراد مبتلا یا جایی که آنها می‌روند، استفاده نمی‌شوند.

“سیروس شهابی” (Cyrus Shahabi)، از پژوهشگران این پروژه گفت: روش ما بر داده‌های انبوه ناشناس متکی است. این داده‌ها همان داده‌های مربوط به عبور و مرور نیستند، اما به شما کمک می‌کنند تا تصمیم بگیرید که آیا از یک آزادراه خاص در یک زمان خاص استفاده کنید یا خیر.

روش‌های مبتنی بر داده

به گفته پژوهشگران، سیستم‌های کنونی، اطلاعات دقیق و کافی را در مورد میزان ابتلا در مکان‌های خاص ارائه نمی‌کنند یا فرضیات غیرواقعی را در مورد نحوه ترکیب جمعیت‌ ارائه می‌دهند.

ضیغمی گفت: خطر ابتلا بر اساس مکان، بسیار متفاوت است و داشتن یک سیاست واحد، این موضوع را نادیده می‌گیرد که برخی از مناطق چگونه نسبت به سایرین پرخطرتر هستند.

بدین ترتیب، پژوهشگران با استفاده از داده‌های مربوط به تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-۱۹، یک شبیه‌سازی را برای تولید الگوهای واقعی ابتلا ایجاد کردند. در این شبیه‌سازی، برخی از عوامل در ابتدا آلوده می‌شوند و هنگام حرکت، بیماری را گسترش می‌دهند.

سپس پژوهشگران، مدلی ابداع کردند که امتیازهای مربوط به میزان خطر را بر اساس تراکم مکان و الگوهای تحرک در زمان و مکان معین ارائه می‌دهد. آنها با استفاده از شبیه‌ساز، این مدل را آزمایش کردند تا تعیین کنند که آیا می‌تواند میزان ابتلا در مکان‌های گوناگون را به طور دقیق پیش‌بینی کند یا خیر. مشخص شد که امتیازات خطر می‌توانند یک معیار قابل اعتماد برای ردیابی ابتلا در شهرهای سراسر آمریکا از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس‌آنجلس باشند.

پژوهشگران همان گونه که پیش‌بینی می‌شد، دریافتند که مقاصد محبوب یک شهر، خطرناک‌تر هستند. همچنین آنها دریافتند که ترکیب نحوه حرکت افراد به جای تکیه بر محبوبیت یک منطقه، به بهبود پیش‌بینی در مورد ابتلا کمک می‌کند. به گفته پژوهشگران، این موضوع، بر اهمیت کنار هم قرار دادن الگوهای تحرک و مدل‌های پیش‌بینی شیوع ابتلا برای ایجاد امتیاز خطر تأکید می‌کند.

به گفته پژوهشگران، دو روش کلیدی برای استفاده از این سیستم در جهان واقعی وجود دارد. مورد ساده تر، اتخاذ تصمیمات مرتبط با خط مشی در سطح محله است. به عنوان مثال، به دلیل خطر بالای ابتلا در سانتا مونیکا، این محله باید امروز تعطیل شود.

این سیستم برای مکان‌های هدفمندتر، مانند یک استادیوم خاص، داده‌های مربوط به حرکت در گذشته را تحلیل می‌کند تا بفهمد خطر ابتلا پس از رویداد مورد نظر در استادیوم چگونه تغییر می‌کند. سپس، سیستم با استفاده از مدل و داده‌های مربوط به جابه‌جایی می‌تواند پیش‌بینی کند و امتیازهای مربوط به خطر را تعیین کند.

پژوهشگران در نظر دارند که در آینده، امتیازات ویژه کاربر را همراه با حفظ حریم خصوصی توسعه دهند و امکان پیش‌بینی بلندمدت را برای چند هفته آینده فراهم کنند.

شهابی گفت: وضوح بسیار بالای داده‌های مربوط به تحرک و همچنین روش مقیاس‌پذیر ما، کمک می‌کند تا امتیازات خطر را با وضوح مکانی و زمانی بسیار دقیقی تخمین بزنیم؛ به عنوان مثال، یک رستوران خاص در زمان شام یا یک مرکز خرید در زمان ناهار.

انتهای پیام

اخبارجدیدترین

شغل مناسب برای کسانی که اهل شور و هیجان زیادی نیستند!

راهنمای جامع نگارش رزومه حرفه‌ای برای اپلای

چگونه از فناوری برای افزایش خلاقیت و نوآوری در محیط آموزشی استفاده کنیم؟

روش جدید دانشمندان ایرانی برای پیش‌بینی ابتلا به کووید-۱۹

“سپنتا ضیغمی” و “سیروس شهابی”، دانشمندان ایرانی “دانشگاه کالیفرنیای جنوبی”، روش جدیدی را برای پیش‌بینی ابتلا به کووید-۱۹ ابداع کرده‌اند.

به گزارش دانشجو اینترنشنال و به نقل از ساینس دیلی، با ظهور سویه‌های جدید کروناویروس و گسترش سریع آن در سراسر جهان، هم مردم و هم سیاست‌گذاران با موضوع به حداقل رساندن میزان ابتلا به کووید-۱۹ رو به رو هستند. اگرچه برنامه‌های ردیابی دیجیتال، وعده‌هایی داده بودند اما به دلیل نگرانی‌های مربوط به حریم خصوصی، میزان پذیرش تا اندازه‌ای پایین بوده است.

پژوهشگران “دانشگاه کالیفرنیای جنوبی” (USC)، از روش جدیدی برای پیش‌بینی احتمال ابتلا به کووید-۱۹ خبر داده‌اند. این روش، ترکیب داده‌های مکانی تلفن همراه با الگوهای تحرک است که می‌تواند الگوهای گسترده‌ای را در مورد نحوه حرکت افراد از مکانی به مکان دیگر نشان دهد.

پژوهشگران به منظور ایجاد نمرات خطر برای مکان‌ها و زمان‌های خاص، مجموعه داده‌های بزرگی شامل سیگنال‌های موقعیت مکانی منتشرشده از تلفن‌های همراه در سراسر آمریکا طی سال‌های ۲۰۱۹ و ۲۰۲۰ را به کار بردند. به گفته پژوهشگران، این سیستم در مقایسه با سیستم‌های کنونی، ۵۰ درصد بهبودی را در دقت نشان می‌دهد.

“سپنتا ضیغمی” (Sepanta Zeighami)، از پژوهشگران این پروژه گفت: نتایج ما نشان می‌دهند که می‌توان مناطق خاصی را که دارای میزان خطر بالایی هستند، پیش‌بینی کرد و آنها را هدف قرار داد. چنین سیاست‌هایی با هدف مشخص کردن میزان خطر می‌توانند هم برای کنترل کووید-۱۹ و هم از نظر اقتصادی تاثیر قابل توجهی داشته باشند.

وی افزود: بعید است که کووید-۱۹ آخرین بیماری همه‌گیر در تاریخ بشریت باشد؛ بنابراین اگر بخواهیم از تکرار هرج و مرج سال ۲۰۲۰ و خسارات غم‌انگیز آن جلوگیری کنیم و در عین حال زندگی روزمره را تا حد امکان تحت تأثیر آن قرار ندهیم، در زمان وقوع همه‌گیری بعدی، به چنین داده‌های محوری نیاز داریم.

برای برطرف شدن نگرانی‌های مربوط به حریم خصوصی، داده‌های مبنی بر تحرک در قالبی جمع‌آوری می‌شوند و به پژوهشگران این امکان را می‌دهند تا الگوها را بدون شناسایی کاربران ببینند. به گفته پژوهشگران، این داده‌ها برای ردیابی افراد مبتلا یا جایی که آنها می‌روند، استفاده نمی‌شوند.

“سیروس شهابی” (Cyrus Shahabi)، از پژوهشگران این پروژه گفت: روش ما بر داده‌های انبوه ناشناس متکی است. این داده‌ها همان داده‌های مربوط به عبور و مرور نیستند، اما به شما کمک می‌کنند تا تصمیم بگیرید که آیا از یک آزادراه خاص در یک زمان خاص استفاده کنید یا خیر.

روش‌های مبتنی بر داده

به گفته پژوهشگران، سیستم‌های کنونی، اطلاعات دقیق و کافی را در مورد میزان ابتلا در مکان‌های خاص ارائه نمی‌کنند یا فرضیات غیرواقعی را در مورد نحوه ترکیب جمعیت‌ ارائه می‌دهند.

ضیغمی گفت: خطر ابتلا بر اساس مکان، بسیار متفاوت است و داشتن یک سیاست واحد، این موضوع را نادیده می‌گیرد که برخی از مناطق چگونه نسبت به سایرین پرخطرتر هستند.

بدین ترتیب، پژوهشگران با استفاده از داده‌های مربوط به تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-۱۹، یک شبیه‌سازی را برای تولید الگوهای واقعی ابتلا ایجاد کردند. در این شبیه‌سازی، برخی از عوامل در ابتدا آلوده می‌شوند و هنگام حرکت، بیماری را گسترش می‌دهند.

سپس پژوهشگران، مدلی ابداع کردند که امتیازهای مربوط به میزان خطر را بر اساس تراکم مکان و الگوهای تحرک در زمان و مکان معین ارائه می‌دهد. آنها با استفاده از شبیه‌ساز، این مدل را آزمایش کردند تا تعیین کنند که آیا می‌تواند میزان ابتلا در مکان‌های گوناگون را به طور دقیق پیش‌بینی کند یا خیر. مشخص شد که امتیازات خطر می‌توانند یک معیار قابل اعتماد برای ردیابی ابتلا در شهرهای سراسر آمریکا از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس‌آنجلس باشند.

پژوهشگران همان گونه که پیش‌بینی می‌شد، دریافتند که مقاصد محبوب یک شهر، خطرناک‌تر هستند. همچنین آنها دریافتند که ترکیب نحوه حرکت افراد به جای تکیه بر محبوبیت یک منطقه، به بهبود پیش‌بینی در مورد ابتلا کمک می‌کند. به گفته پژوهشگران، این موضوع، بر اهمیت کنار هم قرار دادن الگوهای تحرک و مدل‌های پیش‌بینی شیوع ابتلا برای ایجاد امتیاز خطر تأکید می‌کند.

به گفته پژوهشگران، دو روش کلیدی برای استفاده از این سیستم در جهان واقعی وجود دارد. مورد ساده تر، اتخاذ تصمیمات مرتبط با خط مشی در سطح محله است. به عنوان مثال، به دلیل خطر بالای ابتلا در سانتا مونیکا، این محله باید امروز تعطیل شود.

این سیستم برای مکان‌های هدفمندتر، مانند یک استادیوم خاص، داده‌های مربوط به حرکت در گذشته را تحلیل می‌کند تا بفهمد خطر ابتلا پس از رویداد مورد نظر در استادیوم چگونه تغییر می‌کند. سپس، سیستم با استفاده از مدل و داده‌های مربوط به جابه‌جایی می‌تواند پیش‌بینی کند و امتیازهای مربوط به خطر را تعیین کند.

پژوهشگران در نظر دارند که در آینده، امتیازات ویژه کاربر را همراه با حفظ حریم خصوصی توسعه دهند و امکان پیش‌بینی بلندمدت را برای چند هفته آینده فراهم کنند.

شهابی گفت: وضوح بسیار بالای داده‌های مربوط به تحرک و همچنین روش مقیاس‌پذیر ما، کمک می‌کند تا امتیازات خطر را با وضوح مکانی و زمانی بسیار دقیقی تخمین بزنیم؛ به عنوان مثال، یک رستوران خاص در زمان شام یا یک مرکز خرید در زمان ناهار.

انتهای پیام

روش جدید دانشمندان ایرانی برای پیش‌بینی ابتلا به کووید-۱۹

“سپنتا ضیغمی” و “سیروس شهابی”، دانشمندان ایرانی “دانشگاه کالیفرنیای جنوبی”، روش جدیدی را برای پیش‌بینی ابتلا به کووید-۱۹ ابداع کرده‌اند.

به گزارش دانشجو اینترنشنال و به نقل از ساینس دیلی، با ظهور سویه‌های جدید کروناویروس و گسترش سریع آن در سراسر جهان، هم مردم و هم سیاست‌گذاران با موضوع به حداقل رساندن میزان ابتلا به کووید-۱۹ رو به رو هستند. اگرچه برنامه‌های ردیابی دیجیتال، وعده‌هایی داده بودند اما به دلیل نگرانی‌های مربوط به حریم خصوصی، میزان پذیرش تا اندازه‌ای پایین بوده است.

پژوهشگران “دانشگاه کالیفرنیای جنوبی” (USC)، از روش جدیدی برای پیش‌بینی احتمال ابتلا به کووید-۱۹ خبر داده‌اند. این روش، ترکیب داده‌های مکانی تلفن همراه با الگوهای تحرک است که می‌تواند الگوهای گسترده‌ای را در مورد نحوه حرکت افراد از مکانی به مکان دیگر نشان دهد.

پژوهشگران به منظور ایجاد نمرات خطر برای مکان‌ها و زمان‌های خاص، مجموعه داده‌های بزرگی شامل سیگنال‌های موقعیت مکانی منتشرشده از تلفن‌های همراه در سراسر آمریکا طی سال‌های ۲۰۱۹ و ۲۰۲۰ را به کار بردند. به گفته پژوهشگران، این سیستم در مقایسه با سیستم‌های کنونی، ۵۰ درصد بهبودی را در دقت نشان می‌دهد.

“سپنتا ضیغمی” (Sepanta Zeighami)، از پژوهشگران این پروژه گفت: نتایج ما نشان می‌دهند که می‌توان مناطق خاصی را که دارای میزان خطر بالایی هستند، پیش‌بینی کرد و آنها را هدف قرار داد. چنین سیاست‌هایی با هدف مشخص کردن میزان خطر می‌توانند هم برای کنترل کووید-۱۹ و هم از نظر اقتصادی تاثیر قابل توجهی داشته باشند.

وی افزود: بعید است که کووید-۱۹ آخرین بیماری همه‌گیر در تاریخ بشریت باشد؛ بنابراین اگر بخواهیم از تکرار هرج و مرج سال ۲۰۲۰ و خسارات غم‌انگیز آن جلوگیری کنیم و در عین حال زندگی روزمره را تا حد امکان تحت تأثیر آن قرار ندهیم، در زمان وقوع همه‌گیری بعدی، به چنین داده‌های محوری نیاز داریم.

برای برطرف شدن نگرانی‌های مربوط به حریم خصوصی، داده‌های مبنی بر تحرک در قالبی جمع‌آوری می‌شوند و به پژوهشگران این امکان را می‌دهند تا الگوها را بدون شناسایی کاربران ببینند. به گفته پژوهشگران، این داده‌ها برای ردیابی افراد مبتلا یا جایی که آنها می‌روند، استفاده نمی‌شوند.

“سیروس شهابی” (Cyrus Shahabi)، از پژوهشگران این پروژه گفت: روش ما بر داده‌های انبوه ناشناس متکی است. این داده‌ها همان داده‌های مربوط به عبور و مرور نیستند، اما به شما کمک می‌کنند تا تصمیم بگیرید که آیا از یک آزادراه خاص در یک زمان خاص استفاده کنید یا خیر.

روش‌های مبتنی بر داده

به گفته پژوهشگران، سیستم‌های کنونی، اطلاعات دقیق و کافی را در مورد میزان ابتلا در مکان‌های خاص ارائه نمی‌کنند یا فرضیات غیرواقعی را در مورد نحوه ترکیب جمعیت‌ ارائه می‌دهند.

ضیغمی گفت: خطر ابتلا بر اساس مکان، بسیار متفاوت است و داشتن یک سیاست واحد، این موضوع را نادیده می‌گیرد که برخی از مناطق چگونه نسبت به سایرین پرخطرتر هستند.

بدین ترتیب، پژوهشگران با استفاده از داده‌های مربوط به تحرک در دنیای واقعی و دانش موجود در مورد گسترش کووید-۱۹، یک شبیه‌سازی را برای تولید الگوهای واقعی ابتلا ایجاد کردند. در این شبیه‌سازی، برخی از عوامل در ابتدا آلوده می‌شوند و هنگام حرکت، بیماری را گسترش می‌دهند.

سپس پژوهشگران، مدلی ابداع کردند که امتیازهای مربوط به میزان خطر را بر اساس تراکم مکان و الگوهای تحرک در زمان و مکان معین ارائه می‌دهد. آنها با استفاده از شبیه‌ساز، این مدل را آزمایش کردند تا تعیین کنند که آیا می‌تواند میزان ابتلا در مکان‌های گوناگون را به طور دقیق پیش‌بینی کند یا خیر. مشخص شد که امتیازات خطر می‌توانند یک معیار قابل اعتماد برای ردیابی ابتلا در شهرهای سراسر آمریکا از جمله سانفرانسیسکو، نیویورک، شیکاگو و لس‌آنجلس باشند.

پژوهشگران همان گونه که پیش‌بینی می‌شد، دریافتند که مقاصد محبوب یک شهر، خطرناک‌تر هستند. همچنین آنها دریافتند که ترکیب نحوه حرکت افراد به جای تکیه بر محبوبیت یک منطقه، به بهبود پیش‌بینی در مورد ابتلا کمک می‌کند. به گفته پژوهشگران، این موضوع، بر اهمیت کنار هم قرار دادن الگوهای تحرک و مدل‌های پیش‌بینی شیوع ابتلا برای ایجاد امتیاز خطر تأکید می‌کند.

به گفته پژوهشگران، دو روش کلیدی برای استفاده از این سیستم در جهان واقعی وجود دارد. مورد ساده تر، اتخاذ تصمیمات مرتبط با خط مشی در سطح محله است. به عنوان مثال، به دلیل خطر بالای ابتلا در سانتا مونیکا، این محله باید امروز تعطیل شود.

این سیستم برای مکان‌های هدفمندتر، مانند یک استادیوم خاص، داده‌های مربوط به حرکت در گذشته را تحلیل می‌کند تا بفهمد خطر ابتلا پس از رویداد مورد نظر در استادیوم چگونه تغییر می‌کند. سپس، سیستم با استفاده از مدل و داده‌های مربوط به جابه‌جایی می‌تواند پیش‌بینی کند و امتیازهای مربوط به خطر را تعیین کند.

پژوهشگران در نظر دارند که در آینده، امتیازات ویژه کاربر را همراه با حفظ حریم خصوصی توسعه دهند و امکان پیش‌بینی بلندمدت را برای چند هفته آینده فراهم کنند.

شهابی گفت: وضوح بسیار بالای داده‌های مربوط به تحرک و همچنین روش مقیاس‌پذیر ما، کمک می‌کند تا امتیازات خطر را با وضوح مکانی و زمانی بسیار دقیقی تخمین بزنیم؛ به عنوان مثال، یک رستوران خاص در زمان شام یا یک مرکز خرید در زمان ناهار.

انتهای پیام

برچسب ها: کووید 19
پست قبلی

چه اصراری برای ادامه زندگی خانواده متشنج وجود دارد؟

پست بعدی

ماموریت وزارت علوم در زمینه ارائه گزارش خرید تجهیزات آزمایشگاهی دانشگاه‌ها به دولت

مربوطه پست ها

شغل مناسب من
علمی

شغل مناسب برای کسانی که اهل شور و هیجان زیادی نیستند!

۳۰ فروردین ۱۴۰۴
راهنمای جامع نگارش رزومه حرفه‌ای برای اپلای
علمی

راهنمای جامع نگارش رزومه حرفه‌ای برای اپلای

۲۵ اسفند ۱۴۰۳
چگونه از فناوری برای افزایش خلاقیت و نوآوری در محیط آموزشی استفاده کنیم؟
علمی

چگونه از فناوری برای افزایش خلاقیت و نوآوری در محیط آموزشی استفاده کنیم؟

۰۸ بهمن ۱۴۰۳
آموزش دیجیتال: آینده‌ای روشن برای یادگیری مادام‌العمر
علمی

آموزش دیجیتال: آینده‌ای روشن برای یادگیری مادام‌العمر

۰۷ بهمن ۱۴۰۳
چطور با استفاده از ابزارهای علمی، چالش‌های روزمره را حل کنیم؟
علمی

چطور با استفاده از ابزارهای علمی، چالش‌های روزمره را حل کنیم؟

۰۶ بهمن ۱۴۰۳
نقش تکنولوژی در تسهیل دسترسی به منابع آموزشی در سراسر جهان
علمی

نقش تکنولوژی در تسهیل دسترسی به منابع آموزشی در سراسر جهان

۰۵ بهمن ۱۴۰۳

دیدگاهتان را بنویسید لغو پاسخ

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

نه + 1 =

دانلود اپلیکیشن دانش جوین

جدیدترین اخبار

  • TTR.ir بهترین سرویس کوتاه کننده لینک ایرانی
  • بهترین برند پودر کاکائو در ایران
  • یحیی گل‌محمدی از فولاد رفتنی شد؟
  • بازگشت اسطوره استقلال به خانه
  • قیمت رهن کامل آپارتمان در تهران ۱۴۰۴ /جدول نرخ‌ها در منطقه ۵ تا ۲ میلیارد
  • پاسینیک
  • خرید سرور hp
  • خرید سرور ایران و خارج
  • مانیتور ساینا کوییک
  • خرید یوسی
  • حوله استخری
  • خرید قهوه
  • تجارتخانه آراد برندینگ
  • ویرایش مقاله
  • تابلو لایت باکس
  • قیمت سرور استوک اچ پی hp
  • خرید سرور hp
  • کاغذ a4
  • قیمت هاست فروشگاهی
  • پرشین هتل
  • خرید لیفتراک دست دوم
  • آموزش علوم اول ابتدایی

تمام حقوق مادی و معنوی وب‌سایت دانش جوین محفوظ است و کپی بدون ذکر منبع قابل پیگرد قانونی خواهد بود.

خوش آمدید!

ورود به حساب کاربری خود در زیر

رمز عبور را فراموش کرده اید؟

رمز عبور خود را بازیابی کنید

لطفا نام کاربری یا آدرس ایمیل خود را برای تنظیم مجدد رمز عبور خود وارد کنید.

ورود
بدون نتیجه
مشاهده همه نتیجه
  • نخست
  • علمی
  • تکنولوژی
    • آرشیو تکنولوژی
    • نرم افزار، اپلیکیشن، سیستم عامل
    • خودرو
    • آرشیو فین‌تک
      • IT
      • دوربین
    • لپتاپ و کامپیوتر و سخت افزار
    • موبایل
  • بازی‌های کامپیوتری
  • پزشکی، سلامت، بهداشت
  • هنر و فرهنگ
  • مقالات
  • سایر پیوندها
    • همیار آی‌تی

تمام حقوق مادی و معنوی وب‌سایت دانش جوین محفوظ است و کپی بدون ذکر منبع قابل پیگرد قانونی خواهد بود.