نگاه کردن به رفتار انسان کلید ایجاد یک پیش‌بینی بلندمدت بهتر کووید است

از آب و هوای شدید گرفته تا موج دیگری از COVID-19، پیش‌بینی‌ها به تصمیم‌گیرندگان زمان ارزشمندی برای آماده شدن می‌دهد. با این حال، وقتی صحبت از کووید به میان می‌آید، پیش‌بینی بلندمدت یک چالش است، زیرا شامل رفتار انسان می‌شود.

در حالی که گاهی اوقات به نظر می رسد که هیچ منطقی برای رفتار انسان وجود ندارد، تحقیقات جدید در حال کار برای بهبود پیش بینی های COVID با گنجاندن آن رفتار در مدل های پیش بینی است.

ران زو محقق کالج کشاورزی، بهداشت و منابع طبیعی UConn به همراه همکارانش هژیر رحمنداد از موسسه فناوری ماساچوست و نوید غفارزادگان از ویرجینیا تک مقاله‌ای در این مقاله دارند. PLOS زیست شناسی محاسباتی که در آن به جزئیات نحوه اعمال متغیرهای نسبتا ساده اما ظریف برای افزایش قابلیت‌های مدل‌سازی پرداخته‌اند، در نتیجه رویکرد آنها از اکثر مدل‌هایی که در حال حاضر برای اطلاع‌رسانی تصمیم‌گیری‌های اتخاذ شده توسط مراکز کنترل و پیشگیری از بیماری‌های فدرال (CDC) استفاده می‌شود، بهتر عمل می‌کند.

Xu توضیح می‌دهد که او و همکارانش متدولوژیست هستند و علاقه‌مند به بررسی این بودند که کدام پارامترها بر دقت پیش‌بینی مدل‌های پیش‌بینی COVID تأثیر می‌گذارند. برای شروع، آنها به مرکز پیش بینی CDC، که به عنوان مخزن مدل ها از سراسر ایالات متحده عمل می کند، روی آوردند.

Xu می‌گوید: «در حال حاضر بیش از 70 مدل مختلف، عمدتاً از دانشگاه‌ها و برخی از شرکت‌ها، وجود دارد که هر هفته به‌روزرسانی می‌شوند. هر هفته، این مدل‌ها پیش‌بینی‌هایی را برای موارد و تعداد مرگ و میرها در دو هفته آینده ارائه می‌کنند. CDC از این اطلاعات برای اطلاع‌رسانی تصمیم‌های خود استفاده می‌کند؛ به عنوان مثال، اینکه کجا به‌طور استراتژیک تلاش‌های خود را متمرکز کنند یا به مردم توصیه کنند که فاصله اجتماعی را رعایت کنند. “

عامل انسانی

این داده ها اوج بیش از 490000 پیش بینی نقطه ای برای حوادث مرگ و میر هفتگی در 57 مکان ایالات متحده در طول یک سال بود. محققان طول پیش‌بینی و میزان دقت نسبی پیش‌بینی‌ها را در یک دوره 14 هفته ای تجزیه و تحلیل کردند. در تجزیه و تحلیل بیشتر، ژو می‌گوید هنگامی که مدل‌ها را بر اساس روش‌هایشان دسته‌بندی کردند متوجه چیز جالبی شدند: «برای مدل‌های صرفاً مبتنی بر داده، مانند مدل‌های یادگیری ماشین و مدل‌های برازش منحنی، ما متوجه شدیم که آنها در کوتاه‌مدت کار بهتری را پیش‌بینی می‌کنند. در حالی که مدل‌های مبتنی بر تئوری عملکرد بهتری در پیش‌بینی در بلندمدت دارند.”

در ابتدا، این ممکن است عجیب به نظر برسد، اما Xu توضیح می دهد که تفاوت به رفتار انسان برمی گردد.

خو می گوید: «این عجیب است و به خودی خود عجیب نیست. اگر تئوری ندارید و مدل‌ها فقط با یک دسته داده و یادگیری ماشین کار می‌کنند، مطمئناً در کوتاه‌مدت کار خوبی انجام خواهند داد. آیا باید نظریه ای داشته باشید که توضیح دهد چرا مردم کارهایی را که انجام می دهند انجام می دهند؟

ژو می‌گوید گنجاندن مؤلفه رفتاری در مدل نسبتاً ساده بود.

“وقتی به تمام آن 60 تا 70 مدل نگاه کردیم، احساس کردیم که یک مکانیسم رفتاری کلیدی وجود ندارد. این مکانیسم زمانی است که افراد مرگ بیشتری می بینند یا عفونت های کووید را خطرناک می دانند، سپس به طور داوطلبانه تحرک خود را کاهش می دهند یا فاصله اجتماعی را رعایت می کنند. با این حال، هنگامی که میزان مرگ و میر کاهش می یابد، افراد به فعالیت عادی خود باز می گردند. در بررسی مدل ها، تعداد کمی از آنها این حلقه بازخورد درون زا را مدل می کنند.”

بینش برای آینده

محققان استدلال می کنند که این حلقه بازخورد، اگرچه تا حد زیادی توسط سایر مدل ها نادیده گرفته شده است، بیشترین سود را برای پیش بینی های میان مدت تا بلندمدت ارائه می دهد.

رحمانداد می‌گوید این تحقیق نشان می‌دهد که کلید مدل‌سازی برای پیش‌بینی‌های بلندمدت لزوماً ایجاد مدل‌های پیچیده‌تر نیست، بلکه ترکیب استراتژیک عناصر مناسب است.

رحمانداد می‌گوید: «برای ایجاد یک مدل پیش‌بینی‌کننده که در درازمدت موفق باشد، می‌توانیم با استفاده از یک مدل ساده و مکانیکی شروع کنیم. سپس می‌توانیم ویژگی‌های مکانیکی کلیدی را به‌ویژه بازنمایی درون‌زای رفتار انسان در تعامل با بیماری همه‌گیر در حال تکامل، ترکیب کنیم.»

Xu می‌گوید هنگام بررسی مدل‌ها در مرکز CDC، برخی از آنها دارای اجزای رفتاری هستند، اما تعداد کمی از آن‌ها در نظر می‌گیرند که چگونه در طول زمان تغییر می‌کنند یا به عنوان تابعی از پیشرفت بیماری تغییر می‌کنند.

Xu می‌گوید: «من فکر می‌کنم ترکیب رفتارها در مدل‌سازی بیماری‌های عفونی و توسعه تئوری‌های رفتاری مرتبط هنوز حوزه‌ای است که به تحقیقات بیشتری نیاز دارد و ما در حال حاضر نظریه‌های جامعی برای توضیح نحوه رفتار افراد در طول شیوع بیماری‌های همه‌گیر/عفونی نداریم.» این امر مستلزم همکاری میان رشته‌های مختلف، مانند دانشمندان علوم اجتماعی، اپیدمیولوژیست‌ها و روش‌شناسان است.»

پس از ترکیب حلقه بازخورد، محققان دریافتند که این مدل در پیش‌بینی مسیر کووید بسیار خوب عمل می‌کند، و Xu تاکید می‌کند که این نشان می‌دهد که چقدر مهم است که دینامیک رفتاری در مدل‌سازی بیماری‌های عفونی گنجانده شود.

“هدف از توسعه این مدل ارائه پیش‌بینی‌های بلادرنگ نیست، بلکه ممکن است بینش‌هایی را برای مدل‌های پیش‌بینی آینده ارائه دهد. این مدل ساده حتی در بلندمدت بهتر عمل می‌کند.”