WEBVTT Kind: captions Language: es 00:00:00.770 --> 00:00:03.139 Lauren Close: A continuación me gustaría presentarles 00:00:03.139 --> 00:00:04.700 a nuestro segundo orador, el profesor Zhenlong Li. 00:00:04.700 --> 00:00:05.960 Profesor, puede compartir su presentación y empezar. 00:00:05.960 --> 00:00:11.260 Zhenlong Li: ¿Puedes ver mi pantalla? 00:00:11.260 --> 00:00:15.570 De acuerdo. 00:00:15.570 --> 00:00:22.170 Creo que antes - Voy a enviar una charla. 00:00:22.170 --> 00:00:30.310 Así que algunos sistemas aquí, está bien, voy a ir aquí. 00:00:30.310 --> 00:00:39.250 Gracias por la presentación, Lauren, y buenos días, por la tarde, a todos. 00:00:39.250 --> 00:00:46.850 Hoy voy a compartir parte del trabajo que hemos estado haciendo usando datos de redes 00:00:46.850 --> 00:00:50.440 sociales para casarnos con el movimiento humano durante este año pandémico. 00:00:50.440 --> 00:00:54.680 Así que este trabajo es financiado por el NIH y también la Universidad de Carolina 00:00:54.680 --> 00:01:00.820 del Sur por lo que es una especie de proyecto interdisciplinario que trabaja con otros miembros 00:01:00.820 --> 00:01:06.639 del equipo de la Universidad y también otras partes de la nación. 00:01:06.639 --> 00:01:10.799 Así que una breve historia sobre el movimiento humano en COVID-19 aquí. 00:01:10.799 --> 00:01:18.490 Y el movimiento humano es una de las fuerzas muy importantes que impulsan la propagación 00:01:18.490 --> 00:01:26.789 del virus COVID-19 y esto ha sido confirmado por numerosos estudios, se puede ver la publicación 00:01:26.789 --> 00:01:31.459 de Nature, Science, y de todas las otras revistas. 00:01:31.459 --> 00:01:38.459 Y también financiado por la Universidad de Carolina del Sur de ese tipo de subvenciones. 00:01:38.459 --> 00:01:41.840 Aquí, hacemos preguntas serias relacionadas con el movimiento humano y la propagación 00:01:41.840 --> 00:01:42.840 de COVID-19. 00:01:42.840 --> 00:01:45.780 Por ejemplo, aquí, todo un [grupo] de personas manteniendo las órdenes de distanciamiento 00:01:45.780 --> 00:01:51.439 social y cuán efectivo es el orden para, ya sabes, detener la propagación del virus. 00:01:51.439 --> 00:01:56.549 Entonces, ¿hay alguna disparidad en la implementación de estas órdenes en los EE.UU. y cuáles 00:01:56.549 --> 00:01:58.749 son los factores impulsores, algunos factores socioeconómicos, y otro tipo de patrones 00:01:58.749 --> 00:02:00.419 de disparidad que podemos encontrar aquí. 00:02:00.419 --> 00:02:05.469 Y también cómo integrar la movilidad humana para predecir modelos junto con otras fuentes 00:02:05.469 --> 00:02:12.331 de datos, como los datos de vacunación ahora, y hay un montón de otros - un montón de 00:02:12.331 --> 00:02:16.910 otras preguntas que hemos estado tratando de hacer aquí. 00:02:16.910 --> 00:02:22.980 Así que esas preguntas en realidad, especialmente, son relevantes ahora ya que vemos la difusión 00:02:22.980 --> 00:02:23.980 de las variantes. 00:02:23.980 --> 00:02:29.090 Así que tomamos una visión basada en el lugar tratar de pensar acerca de cómo podemos 00:02:29.090 --> 00:02:31.140 casar esta movilidad humana utilizando las redes sociales. 00:02:31.140 --> 00:02:32.540 Estamos utilizando datos de Twitter. 00:02:32.540 --> 00:02:37.510 Y si piensan en ver este diagrama aquí - este diagrama aquí - tenemos que pensar en, ya 00:02:37.510 --> 00:02:41.270 saben, tenemos lugares aquí como condado, como escenario, como país, ¿verdad? 00:02:41.270 --> 00:02:42.640 Diferentes niveles de lugares. 00:02:42.640 --> 00:02:47.770 Y luego tenemos la población moviéndose en cada lugar - se puede pensar en las redes 00:02:47.770 --> 00:02:50.710 sociales, como los usuarios de Twitter, aquí. 00:02:50.710 --> 00:02:56.360 Y luego podemos empezar por ver los flujos populares, pero ya que estamos interesados 00:02:56.360 --> 00:03:01.490 en Twitter geoetiquetado, por ejemplo, y los - estamos interesados en los datos que tienen 00:03:01.490 --> 00:03:02.520 información de ubicación. 00:03:02.520 --> 00:03:08.350 Podemos extraer primero y tratamos - los flujos de población nos dan solo una visión general 00:03:08.350 --> 00:03:10.290 de cómo este flujo cambia. 00:03:10.290 --> 00:03:15.720 Y luego podemos medir la población, medir más el movimiento, por ejemplo, las distancias 00:03:15.720 --> 00:03:20.120 promedio de movimiento en el condado durante un día específico. 00:03:20.120 --> 00:03:23.390 Y más adelante, podemos medir la conectividad entre lugares. 00:03:23.390 --> 00:03:29.950 Así que ese tipo de movimientos - la medición aquí está todo en el marco de tiempo y lugar. 00:03:29.950 --> 00:03:36.480 Así que esto es, una especie de diagrama general, ya sabes, un lugar basado [inaudible] 00:03:36.480 --> 00:03:41.080 que - cómo podemos guiar nuestro estudio para medir el movimiento humano utilizando 00:03:41.080 --> 00:03:43.600 los datos de Twitter, utilizando las redes sociales. 00:03:43.600 --> 00:03:45.260 Y todo el asunto - Voy a mostrarles algunos resultados aquí. 00:03:45.260 --> 00:03:50.850 [Inaudible] la notación de tiempo, No voy a dar un montón de detalles acerca de cómo 00:03:50.850 --> 00:03:58.360 obtenemos esto, pero tenemos las publicaciones, se puede ver, como cada una de las diapositivas 00:03:58.360 --> 00:04:03.970 aquí y esto sin nos muestra los cambios de los flujos de población entre estados en 00:04:03.970 --> 00:04:04.970 marzo de 2020. 00:04:04.970 --> 00:04:07.880 Como se puede ver, el primero es del 12 de marzo al 13 de marzo del año pasado, y luego 00:04:07.880 --> 00:04:13.790 se puede ver el color, la intensidad del movimiento, está disminuyendo gradualmente a medida que 00:04:13.790 --> 00:04:19.999 vemos el orden de nacional, tipo de, declaración de emergencia - de emergencia nacional [declaraciones]. 00:04:19.999 --> 00:04:23.830 Y podemos ver que el movimiento de la población en realidad disminuyó. 00:04:23.830 --> 00:04:25.180 Esto se refleja claramente en este mapa. 00:04:25.180 --> 00:04:29.039 Y también podemos ver el patrón similar cuando nos fijamos en la escala global. 00:04:29.039 --> 00:04:34.509 Así que desarrollamos un portal web interactivo para visualizar estos datos aquí en el enlace 00:04:34.509 --> 00:04:40.319 que acabo de compartir con ustedes [http://gis.cas.sc.edu/GeoAnalytics/COVID19.html]- allí el primero, se trata de esta foto. 00:04:40.319 --> 00:04:46.580 Todavía está allí, pero dejamos de actualizar que - esta foto [es] ya [anticuado], pero 00:04:46.580 --> 00:04:52.610 todavía se puede ver el período de tiempo del año pasado. 00:04:52.610 --> 00:04:59.979 Puedes, ya sabes, hacer clic en un momento aquí- lo hice aquí, y luego, ya sabes, acercar, 00:04:59.979 --> 00:05:02.590 alejar, retroceder, para ver cómo se ve. 00:05:02.590 --> 00:05:06.159 Y la segunda es que desarrollamos un método para estimar el número diario de visitantes 00:05:06.159 --> 00:05:11.180 y residentes en una geografía específica, por ejemplo, el condado. 00:05:11.180 --> 00:05:16.680 Para cada condado, podemos - tratamos de usar los datos de Twitter para estimar cuántos 00:05:16.680 --> 00:05:20.139 visitantes hay - los visitantes están allí - en cada condado en un día específico. 00:05:20.139 --> 00:05:22.719 Y luego, este es el resultado para 2017 usando el método aquí. 00:05:22.719 --> 00:05:27.500 Tipo de validación de nuestro método aquí, se puede ver 2017 - sabemos que hay [fue un] 00:05:27.500 --> 00:05:34.490 eclipse solar total en los EE.UU. aquí y se puede ver el 21 de agosto de 2017, hay 00:05:34.490 --> 00:05:39.680 un cinturón verde muy claro que nos muestra que hay más usuarios - más usuarios - más 00:05:39.680 --> 00:05:41.190 visitantes allí en ese día específico. 00:05:41.190 --> 00:05:47.499 E incluso después de este eclipse, todavía se puede ver algo, todavía se puede ver el 00:05:47.499 --> 00:05:48.659 cinturón azul aquí, pero mucho más débil, ¿verdad? 00:05:48.659 --> 00:05:54.960 La gente comienza a salir de esa región y se puede ver la dinámica espacio-temporal 00:05:54.960 --> 00:06:00.580 de este visitante cambia a nivel de condado, en esta gran escala geográfica, como toda 00:06:00.580 --> 00:06:01.719 la nación aquí. 00:06:01.719 --> 00:06:06.930 Así que esto es para - esto [es] usar el eclipse solar como un caso de estudio para 00:06:06.930 --> 00:06:07.930 mostrar piezas. 00:06:07.930 --> 00:06:13.360 Y luego, si miramos el uso del mismo método para ver 2020, como el año pasado, este nos 00:06:13.360 --> 00:06:23.999 muestra los cambios a nivel de condado antes y después de la declaración de emergencia 00:06:23.999 --> 00:06:25.319 nacional en marzo. 00:06:25.319 --> 00:06:29.089 Así que se puede ver que este es un sábado el 7 de marzo del año pasado, y de nuevo, 00:06:29.089 --> 00:06:35.110 el color azul indicado allí - el color verde indica que hay más usuarios más visitantes. 00:06:35.110 --> 00:06:38.210 Y luego el naranja indica que hay menos visitantes. 00:06:38.210 --> 00:06:40.620 Así que el domingo ,normalmente, los fines de semana, hay un montón de movimientos - un 00:06:40.620 --> 00:06:41.620 montón de viajes. 00:06:41.620 --> 00:06:44.999 Y luego, pero en este sábado, que es el 28 de marzo, se puede ver que el movimiento ha 00:06:44.999 --> 00:06:45.999 disminuido mucho. 00:06:45.999 --> 00:06:51.080 Allí, podemos ver una especie de una gran cantidad de color marrón, lo que significa, 00:06:51.080 --> 00:06:56.069 ya sabes, mucha gente no viaja y se queda en casa en su propio condado, al menos. 00:06:56.069 --> 00:07:01.030 Así que también tenemos una publicación para esta, si estás interesado, puedes ver 00:07:01.030 --> 00:07:04.699 el método con más detalle y otros tipos de aplicación aquí. 00:07:04.699 --> 00:07:09.380 Además, desarrollamos una plataforma escalable para extraer, analizar y compartir estos datos 00:07:09.380 --> 00:07:14.000 de movilidad de los consumidores que obtenemos de Twitter y también de otras fuentes de 00:07:14.000 --> 00:07:15.339 big data asociadas aquí. 00:07:15.339 --> 00:07:20.259 Y combinamos esto, una especie de, ya sabes, millones de movilidad y combinado con el modelo 00:07:20.259 --> 00:07:26.619 de datos ODT, que es el modelo de datos origen-destino-tiempo, es un cubo de datos. 00:07:26.619 --> 00:07:29.349 Y luego combine eso con HPC - High Performance Computing. 00:07:29.349 --> 00:07:32.930 Y luego podemos consultar rápidamente, consultar y visualizar y agregar los flujos a diferentes 00:07:32.930 --> 00:07:34.819 escalas geográficas y para diferentes aplicaciones aquí. 00:07:34.819 --> 00:07:38.879 Y aquí este mapa - este mapa muestra los patrones de movilidad humana en diferentes 00:07:38.879 --> 00:07:39.949 tipos de niveles geográficos. 00:07:39.949 --> 00:07:47.210 Puede ver el nivel del país, y el nivel del condado y también el nivel de la pista del 00:07:47.210 --> 00:07:48.210 sensor. 00:07:48.210 --> 00:07:51.089 Usted puede ver las tendencias diarias reveladas de esta movilidad humana de nuestra - mediante 00:07:51.089 --> 00:07:52.800 el uso de este sistema aquí. 00:07:52.800 --> 00:07:59.639 Y finalmente, hemos - hemos desarrollado el ODT Flow Explorer que es - es un portal web 00:07:59.639 --> 00:08:02.180 interactivo en línea. 00:08:02.180 --> 00:08:05.969 También compartí este enlace con ustedes ya [http://gis.cas.sc.edu/GeoAnalytics/od.html]. 00:08:05.969 --> 00:08:10.150 Puede ir allí para explorar la movilidad humana a diferentes escalas geográficas como 00:08:10.150 --> 00:08:13.190 tracto, condado, país, estado y para todo el mundo. 00:08:13.190 --> 00:08:18.319 Hay algunas escalas que no tenemos eso - para otros países. 00:08:18.319 --> 00:08:22.830 Y también, puede intentar descargar los datos para su propia investigación. 00:08:22.830 --> 00:08:28.330 Así que los [inaudibles] han sido listados por miles de nuestros usuarios y hemos servido 00:08:28.330 --> 00:08:32.810 a más de 1,8 mil millones de secciones de fluidos de todo el mundo. 00:08:32.810 --> 00:08:35.410 Y también utilizado por otros investigadores en su propia investigación. 00:08:35.410 --> 00:08:40.289 Así que si usted está interesado no dude en probar esto y ya tengo un enlace allí. 00:08:40.289 --> 00:08:41.970 Así que eso es todo. 00:08:41.970 --> 00:08:42.970 Gracias. 00:08:42.970 --> 00:08:49.190 Si usted - cualquier persona está interesada en trabajar o mirar más detalles sobre los 00:08:49.190 --> 00:08:55.520 datos que producimos no dude en ponerse en contacto conmigo y tengo mi dirección de 00:08:55.520 --> 00:08:58.930 correo electrónico aquí [zhenlong@mailbox.sc.edu}. 00:08:58.930 --> 00:09:02.339 Muy bien, ¡muchas gracias!