[论文解读] Data-Driven Decision Making in COVID-19 Response: A Survey

Shuo Yu, Qing Qing+4 more|arXiv (Cornell University)|Feb 23, 2022

Mental Health Research Topics被引用 5

一句话总结

本综述综合分析了全球新冠疫情应对中数据驱动决策方法的应用，重点探讨了在疫情控制、心理健康支持、财政援助以及工作与学校复课等领域的实践。研究识别出数据质量、复杂分析及算法公平性等方面的关键挑战，为未来公共卫生数据系统的研究奠定了基础。

ABSTRACT

COVID-19 has spread all over the world, having an enormous effect on our daily life and work. In response to the epidemic, a lot of important decisions need to be taken to save communities and economies worldwide. Data clearly plays a vital role in effective decision making. Data-driven decision making uses data related evidence and insights to guide the decision making process and to verify the plan of action before it is committed. To better handle the epidemic, governments and policy making institutes have investigated abundant data originating from COVID-19. These data include those related to medicine, knowledge, media, etc. Based on these data, many prevention and control policies are made. In this survey paper, we summarize the progress of data-driven decision making in the response to COVID-19, including COVID-19 prevention and control, psychological counselling, financial aid, work resumption, and school re-opening. We also propose some current challenges and open issues in data-driven decision making, including data collection and quality, complex data analysis, and fairness in decision making. This survey paper sheds light on current policy making driven by data, which also provides a feasible direction for further scientific research.

研究动机与目标

• 系统性回顾全球新冠疫情应对中数据驱动决策方法的应用。
• 识别并分析关键数据来源及其在制定公共卫生与经济社会政策中的作用。
• 探讨在异构、动态且具有隐私敏感性的数据源中，数据收集、质量与分析所面临的挑战。
• 研究在公共卫生紧急状态下，算法决策中的公平性与可解释性问题。
• 为未来大流行病应对中改进数据驱动政策系统提供研究路线图。

提出的方法

• 对多个领域（包括疫情控制、心理支持、财政援助、工作复原与学校复课）中的数据驱动政策开展系统性调查。
• 对多样化数据源进行分类与分析，包括流行病学数据、科研文献（如 CORD-19）、知识图谱（如 COKG-19）以及移动性数据。
• 评估涉及数据集成、清洗与分析的数据处理流程，以支持决策制定。
• 应用机器学习与数据分析技术，从实时、异构且常质量较低的数据中提取洞察。
• 通过批判性分析数据质量、算法公平性与隐私权衡，识别方法论上的缺口。
• 综合分析数据驱动应急响应系统中的挑战与开放性研究问题。

实验结果

研究问题

• RQ1 不同国家和地区如何应用数据驱动方法来控制新冠疫情的传播？
• RQ2 在疫情期间，哪些类型的数据源在支持公共卫生与经济社会政策制定方面最为有效？
• RQ3 在应急响应决策中，确保数据质量、及时性与一致性的主要挑战是什么？
• RQ4 复杂、动态且异构的数据源如何影响数据驱动模型的可扩展性与可靠性？
• RQ5 在数据驱动的公共卫生决策中，可通过何种方式提升算法的公平性与透明度？

主要发现

• 数据驱动决策显著提升了疫情应对政策的制定速度与准确性，包括封锁措施、检测策略与资源调配。
• 利用 CORD-19 和 Worldometer 等大规模数据源，实现了知识的快速整合与基于证据的政策制定。
• 如 COKG-19 等知识图谱促进了对医学与科学信息的结构化推理，提升了决策的可追溯性。
• 尽管已取得进展，但数据质量问题（如不一致、缺失值与报告延迟）仍是实现可靠决策的主要障碍。
• 由于 SARS-CoV-2 作为新型病原体缺乏历史数据，传统预测模型的有效性受限，导致对实时与自适应分析的依赖增加。
• 算法决策中出现了公平性问题，由于数据输入存在偏差或不完整，导致财政援助与医疗资源分配存在偏见风险。