基于移动性的 COVID-19 病例预测模型的公平性评估
计算机与社会
2023-02-17 v2
摘要
鉴于 COVID-19 的爆发，分析和度量人类移动性变得愈发重要。大量研究利用移动性数据探索随时间变化的时空趋势、考察与其他变量的关联、评估非药物干预（NPIs）、以及预测或模拟 COVID-19 的传播。尽管公开可用的移动性数据有益，一个关键问题仍待解答：使用移动性数据的模型在不同人口群体上是否表现公平？我们假设，用于训练预测模型的移动性数据中的偏差可能导致对某些人口群体预测准确度不公平的降低。为验证假设，我们使用 SafeGraph 数据在美国县级层面应用两种基于移动性的 COVID 感染预测模型，并将模型表现与社会人口特征相关联。研究发现模型表现对特定人口特征存在系统性偏差。具体而言，模型倾向于偏向大型、高教育水平、富裕、年轻、城市且非黑人主导的县。我们假设，许多预测模型当前使用的移动性数据倾向于捕获关于较年老、较贫困、非白人及教育程度较低区域较少的信息，这进而对这些区域的 COVID-19 预测准确性产生负面影响。最终，本研究指出需要改进数据收集与采样方法，以准确表征跨人口群体的移动性模式。
关键词
引用
@article{arxiv.2210.03901,
title = {A fairness assessment of mobility-based COVID-19 case prediction models},
author = {Abdolmajid Erfani and Vanessa Frias-Martinez},
journal= {arXiv preprint arXiv:2210.03901},
year = {2023}
}
备注
24 pages, 4 figures, 2 Tables