MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017161275
■00520250211151333
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382841649
■035    ▼a(MiAaPQ)AAI31241498
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519
■1001  ▼aZhang,  Yujia.▼0(orcid)0000-0001-7991-6385
■24510▼aSafe  University  Instruction  During  COVID-19:  Simulation,  Statistics,  and  Uncertainty  Quantification.
■260    ▼a[S.l.]▼bCornell  University.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a223  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Frazier,  Peter.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2024.
■520    ▼aThe  COVID-19  pandemic  has  inflicted  significant  losses  and  disruptions  on  the  society  since  its  emergence  in  2020.  During  this  difficult  time,  colleges  and  universities  faced  numerous  operational  decisions  that  needed  to  balance  safety,  educational  quality,  and  cost.  This  dissertation  focuses  on  a  few  projects  that  partly  supported  safe  in-person  instruction  at  Cornell  University  during  COVID-19  and  hold  great  promise  for  broader  applications.First,  we  study  the  risk  of  returning  to  pre-pandemic  level  in-person  instruction  through  mathematical  modeling  and  agent-based  simulation.  We  estimate  the  risk  associated  with  different  policies  and  recommend  that  fully  masked  in-person  classrooms  would  be  safe  without  needing  to  assign  seats  or  update  the  rooms  for  better  ventilation.  This  result  supported  the  university's  decision  to  return  to  regular  in-person  instruction  in  Fall  2021.Second,  we  conduct  survival  analysis  to  evaluate  the  risk  of  infection  associated  with  attending  classes  in  person.  Using  data  on  surveillance  testing,  class  schedules,  and  class  enrollments  in  Fall  2021  and  Spring  2022,  we  construct  a  novel  feature  to  quantify  the  amount  of  exposure  a  student  has  in  the  classroom.  Using  extended  Cox  regression  and  logistic  regression,  we  find  that  attending  classes  was  associated  with  minimal  increase  in  the  risk  of  infection.Third,  we  investigate  group  testing  under  the  presence  of  correlation  among  samples.  In  large-scale  screenings,  correlation  between  samples  in  the  same  pool  is  naturally  induced  through  human  behavior  and  the  process  of  sample  collection.  By  realistically  modeling  network  contagion,  viral  load  progression,  and  the  dilution  effect  in  pooled  testing,  we  show  that  such  correlation  improves  the  sensitivity  and  resource  efficiency  of  population-wide  testing.  Thus,  policy-makers  envisioning  using  group  testing  for  large-scale  screening  should  take  correlation  into  account  and  intentionally  maximize  it  when  possible.Fourth,  we  present  an  approach  for  uncertainty  quantification  of  simulation  models  with  a  large  number  of  parameters.  Using  a  linear  approximation,  we  quantify  the  sensitivity  of  simulation  output  to  each  parameter.  Furthermore,  we  adapt  ideas  from  robust  optimization  and  identify  a  one-dimensional  family  of  parameter  configurations  associated  with  different  pessimism  levels.  This  method  provides  insight  into  the  uncertainty  of  the  compartmental  simulation  developed  by  the  Cornell  COVID-19  modeling  team,  and  can  be  broadly  used  for  sensitivity  analysis  and  scenario  analysis  in  an  interpretable  way  for  various  simulation  models.
■590    ▼aSchool  code:  0058.
■650  4▼aApplied  mathematics.
■650  4▼aEpidemiology.
■650  4▼aPublic  health.
■650  4▼aStatistics.
■653    ▼aCOVID-19
■653    ▼aGroup  testing
■653    ▼aLogistic  regression
■653    ▼aSimulation  models
■653    ▼aOperational  decisions
■653    ▼aUncertainty  quantification
■690    ▼a0364
■690    ▼a0796
■690    ▼a0766
■690    ▼a0463
■690    ▼a0573
■71020▼aCornell  University▼bApplied  Mathematics.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161275▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서