Behaviour and sentiment monitoring and modelling for outbreak control

Il progetto BEHAVE-MOD mira a rispondere alla necessità cruciale di monitorare le dinamiche delle malattie infettive e comprendere l’impatto dei comportamenti individuali sulla trasmissione delle malattie. Sulla base delle lezioni apprese dal Pandemia di COVID-19, questo progetto mira a integrare i comportamenti sanitari preventivi in ​​un nuovo modello quadro in grado di prevedere le epidemie e guidare gli interventi di sanità pubblica. Concentrandosi sulle infezioni respiratorie e trasmesse da vettori, gli obiettivi del progetto includono la creazione di un sistema integrato di raccolta dati utilizzando metodi tradizionali indagini che incorporano determinanti demografici, sociali e psicologici. Ciò comporta un'indagine innovativa progettazione e una piattaforma di sorveglianza partecipativa. Il progetto mira a monitorare l’adozione di comportamenti sanitari da parte integrando fonti di dati non convenzionali come social media, ricerche su Internet, dati sulla mobilità e dispositivi indossabili dispositivi. Mira inoltre a sviluppare modelli predittivi tradizionali e basati sull’intelligenza artificiale che incorporino dati comportamentali, valutare l’impatto delle misure di sanità pubblica e generare previsioni sulle malattie. Il progetto mira anche a distinguere i comportamenti umani spontanei da quelli indotti, stabilire i principi di preparazione alla pandemia e incorporare tecniche di machine learning. Combinando i risultati dell’indagine, dell’epidemiologia digitale e della modellizzazione, il progetto mira a ottenere informazioni dettagliate sui comportamenti delle persone durante le epidemie. L’obiettivo finale è fornire linee guida basate sull’evidenza per i decisori politici offrendo dati in tempo reale su atteggiamenti e comportamenti, migliorando modellizzazione predittiva e fornire approfondimenti per un processo decisionale informato e strategie di intervento in pubblico salute. Allineato con INF-ACT, BEHAVE-MOD migliora la sorveglianza sanitaria pubblica integrandosi dati comportamentali, che migliorano la modellizzazione epidemiologica, aumentano l’accuratezza, la prevedibilità e informano interventi tempestivi. Questo approccio interdisciplinare unisce tecniche analitiche avanzate della scienza dei dati alla psicologia, favorendo la collaborazione e lo scambio di conoscenze.

The BEHAVE-MOD project aims to address the crucial need to monitor infectious disease dynamics and understand the impact of individual behaviours on disease transmission. Based on the lessons learned from the COVID-19 pandemic, this project aims to integrate preventive health behaviours into a novel modelling framework that can predict outbreaks and guide public health interventions. Focusing on respiratory and vectorborne infections, the project's objectives include creating an integrated data collection system using traditional surveys, incorporating demographic, social, and psychological determinants. This involves innovative survey design and a participatory surveillance platform. The project aims to monitor health behaviour adoption by integrating unconventional data sources such as social media, internet searches, mobility data, and wearable devices. It also aims to develop mainstream and AI-based predictive models that incorporate behavioural data, evaluate the impact of public health measures, and generate disease forecasts. The project also aims to disentangle spontaneous and induced human behaviours, establish pandemic preparedness principles, and incorporate machine learning techniques. By combining survey, digital epidemiology, and modeling results, the project aims to gain insights into people's behaviours during epidemics. The ultimate goal is to provide evidence-based guidelines for policymakers by offering real-time data on attitudes and behaviours, improving predictive modelling, and providing insights for informed decision-making and intervention strategies in public health. Aligned with INF-ACT, BEHAVE-MOD enhances public health surveillance by integrating behavioural data, which improves epidemiological modeling, boosts accuracy, predictability, and informs timely interventions. This cross-disciplinary approach merges advanced analytical techniques from data science to psychology, fostering collaboration and knowledge exchange.