0

0
0

文字

分享

0
0
0

大數據與人道援助 – 群眾標記應用

活躍星系核_96
・2015/02/26 ・3496字 ・閱讀時間約 7 分鐘 ・SR值 598 ・九年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

作者:潘人豪助理教授,元智大學大數據與數位匯流創新中心

「人道援助」,乍聽這個詞,或許大家腦海中浮出的,是穿著白袍的醫生坐在簡陋環境裡義診,也可能是大批穿著制服協助難民撤逃的軍人們,又或者是寫著UN(United Nations)聯合國的白色四輪驅動越野車奔馳在災區中進行調查支援。有沒有曾經想像過,雲端計算、大數據應用,這樣的前端資通訊技術,也有可能應用在人道援助的場域中呢?

這幾年雲端技術、大數據應用的蓬勃發展,早已深入每一個人日常生活中,更不用說在各個商業領域的前端應用。然而在這樣全球火熱且全面關注的議題中,卻鮮少有人意識到,大數據也同時悄悄的應用到人道援助、國際合作領域中。

每當我們撥出一通電話、購買某個商品、使用社群媒體,甚至僅僅打開網頁瀏覽,都在不知不覺中產生大量資訊,加上自動化感測裝置的連續資料,無論是從政府單位或是私人企業產生儲存,這些無數的大數據資訊源與其交互組合可解釋的問題幾乎可以涵蓋各種議題,而當今的人道援助、國際合作機構,便是企圖利用各種大數據資訊或雲端計算科技,解決當下所面臨的問題,給予目標族群(vulnerable communities)更快速、有效的援助服務。

然而對於這樣的大數據、雲端服務應用,其實並不是近幾年大數據技術流行才有的,早在2007年,位於東非的肯亞(Kenya)共和國因為俱爭議總統大選後的全國性暴動,種族對立衝突造成超過一千三百人喪生與三十五萬人被迫離開家園躲避內亂。

政府軍隊進行武力鎮壓 (Photo: Evelyn Hockstein, The New York Times)
政府軍隊進行武力鎮壓 (Photo: Evelyn Hockstein, The New York Times   )
肯亞國內Kikuyu 族群民眾抗爭(Photo : Evelyn Hockstein, The New York Times)
肯亞國內Kikuyu 族群民眾抗爭(Photo : Evelyn Hockstein, The New York Times

而在肯亞內亂當時,一群當地程式設計師與網路團體開發出名為Ushahidi計畫,Ushahidi為肯亞當地Swahili語言的證言(testimony)之意,Ushahidi計畫發展出一個網路平台,使用者可以透過手機SMS(Short Message Service)簡訊或網站進行暴力事件通報,隨後Ushahidi平台利用Google map進行地理位置標定,藉此跳脫國內媒體受控制或失去機能的狀態,直接由人民發聲向國際尋求援助,也因為Ushahidi的通報與傳播,國際組織得以快速動員進行人道援助救援與物資提供。

2008年後Ushahida計畫也擴展為國際人道援助平台,企圖提供全球進行事件通報與群眾標記(crowdmapping),並運用於諸多國家,如美國亞特蘭大(Atlanta)犯罪事件追蹤、印度(Republic of India)與墨西哥(United Mexican States)選舉結果的提報追蹤,甚至是2010年海地(Republic of Haiti)大地震與2011年日本東北大地震(2011 Tōhoku earthquake and tsunami)的事件追蹤標記。

2011年日本東北大地震Ushahidi應用(圖片來源:livedoor news) 右圖:Ushahidi 平台介面(圖片來源: Jim Craner , Advancing Your Mission With GIS Tools)
2011年日本東北大地震Ushahidi應用(圖片來源:livedoor news
Ushahidi 平台介面(圖片來源: Jim Craner , Advancing Your Mission With GIS Tools)
Ushahidi 平台介面(圖片來源: Jim Craner , Advancing Your Mission With GIS Tools

此外針對急難應用與災害救援事件,Google藉由其所擁有的計算資源,結合其自家Google App Engine分散計算引擎與儲存架構,以及Picasa 影像平台,於2010年時針對中美洲海地地震提出了Google Person Finder服務,針對災區進行災民尋找與通報服務;該服務後續亦提供之後2010智利(Chile)大地震、2011年日本東北大地震,甚至是前年(2013)於菲律賓造成嚴重災情的海燕颱風等災害救援。而Google Person Finder在2011年日本東北大地震期間曾創下高達六十萬姓名資訊紀錄的規模,堪為短時間內人道援助資訊蒐集彙整之成功案例。

2010 海地大地震時Google推出之Person Finder服務 (Image from : Wikipedia)
2010 海地大地震時Google推出之Person Finder服務
(Image from : Wikipedia

同樣透過大數據群眾標記進行人道救援案例,還有哈佛醫學院Rumi學者,透過社群媒體進行對傳染疾病傳播於地理位置擴散標定的流行病學研究,該研究發表於2012年American Journal of Tropical Medicine and Hygiene期刊,該作者透過自動網路媒體調查平台HealthMap,針對海地自2010年10月20號爆發霍亂(Cholera)疫情開始100天,紀錄由網路平台HealthMap、Twitter所產生之社群網路與關鍵字”Cholera”相關訊息,並透過訊息自動標定其地理位置,藉由時間推演與地理資訊標的,進一步對照海地政府公共衛生部(Ministère de la Santé Publique et de la Population, MSPP)提供之實際通報個案數據。

其結果發現網路數據的呈現與地理位置分布,符合MSPP所提供之事後通報個案資料分布與趨勢,證明透過社群媒體進行大數據資料探勘之方法,可以以低成本的方式進行傳染性疾病早期偵測,並達到快速反應與提早實施防疫策略之使用,針對醫療發展落後、醫療資訊蒐集傳遞機制不健全之國家 實為一個創新的應用。

Rumi學者透過社群媒體數據所獲得之禍亂發生、擴散分布圖。 (圖片來源  doi:10.4269/ajtmh.2012.11-0597)
Rumi學者透過社群媒體數據所獲得之禍亂發生、擴散分布圖。
(圖片來源 doi:10.4269/ajtmh.2012.11-0597

發展中國家的公共衛生改善與發展,直接影響該國家人民的生存條件與健康條件,目前各國雖透過社群媒體大數據探勘技術企圖進行早期偵測,但如同文獻與相關報導中所提及,因為城鄉差異過大,資訊能力素養不齊,資料過度集中於高人口密度區域如首都太子港(Port-au-Prince)造成評估上的誤差與偏鄉地區的低估。

2014.02 筆者於Saint-Michel-de-l'Attalaye地區拍攝之霍亂隔離病房
2014.02 筆者於Saint-Michel-de-l’Attalaye地區拍攝之霍亂隔離病房
2014.07 筆者重返Saint-Michel-de-l'Attalaye地區, 該區正爆發霍亂疫情病患擠滿霍亂隔離病房(因病患隱私,未拍攝內部照片)
2014.07 筆者重返Saint-Michel-de-l’Attalaye地區,
該區正爆發霍亂疫情病患擠滿霍亂隔離病房(因病患隱私,未拍攝內部照片)

上述之偏差狀況,由筆者近幾年數度至海地進行人道援助計畫時可得到驗證,今年七月筆者與桃園醫院國際衛生中心再度訪問海地北部Artibonite省之偏鄉Saint-Michel-de-l’Attalaye地區時,遭遇該區域爆發嚴重霍亂疫情,然而時隔2010初次爆發至今已將近三年之久,卻仍無法有效控制疫情散布,原因除了當地缺乏公共衛生工程礎建設、民眾公共衛生教育素養不足外,當地醫療機構僅使用紙本文件進行病患診斷紀錄,缺乏病患追蹤、主動式訊息通報機制,導致衛生單位無法立即獲取第一手疾病資訊以進行疫情防堵,亦是主要原因之一。

因此如何導入全國醫療資訊傳遞網路,由政府端建立真正醫療大數據平台,進行即時傳染性疾病事件通報、監控、追蹤機制,才是治標治本之道。

2014.07 筆者與桃園醫院國際衛生中心 於海地衛生部(MSPP)進行醫療資訊應用課程
2014.07 筆者與桃園醫院國際衛生中心 於海地衛生部(MSPP)進行醫療資訊應用課程

大數據小辭典:

  • 群眾外包(crowdsourcing):此為《連線》(Wired)雜誌記者Jeff Howe於2006年發明的一個專業術語,用來描述一種新的商業模式透過網際網路上的使用者所組成的群體,進行創意的發想、工作執行與技術問題解決等。參與群眾外包成員,針對特定執行項目大多僅收取小額報酬或無償提供服務,因此建立了一種新的勞動結構。
  • 群眾標記(crowdmapping):透過網際網路、行動裝置,群眾使用者可以於平台上標記任何虛擬化事件資訊,包含文字、影像、視訊多媒體、地理資訊、健康醫療紀錄等等,為群眾外包 (crowdsourcing)的延伸應用。常見的群眾標記服務多與地理資訊系統整合,提供具備地理位址之事件資訊。
  • 社群網路(Social Network):是為一群擁有相同興趣與活動的人連結而成的線上社群。針對這類社群所提供的類服務往往是基於網際網路並為用戶提供各種聯繫、交流的互動通路,如電子信件、即時訊息服務或線上網路平台等。常見社群網路平台Facebook, Twitter, Plurk, Google+, LinkedIn, 人人網, 新浪微博, 騰訊微博, Instagram等等。
  • 社群媒體資料探勘(Social Media Mining):社群媒體資料探勘是透過針對社群網物所產生的資料,所進行的資訊擷取、彙整、分析,企圖取得特殊目的、族群的目標模式,透過統計方法、機器學習、網站分析、網路科學等等不同領域的方法,進行對社群網路資料所產生的龐大數據資料尋找其有意義的應用資訊與現象。
  • 社群網路分析 (Social Network Analysis):有別於社群媒體資料探勘,社群網路分析主要過社群網路上每個使用者與其彼此間的關聯性透過電腦科學中的圖學理論、網路理論,將社群網路的事件關聯轉化為圖學上的節點與線段連接,藉此便可以使用數據分析方法中針對圖學、網路關聯分析技術進行判斷,找出其中的群聚、分類、特殊事件與趨勢等標的。

想了解更多大數據知識,歡迎訂閱元智大學大數據匯流電子報

文章難易度
活躍星系核_96
752 篇文章 ・ 96 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

1

8
2

文字

分享

1
8
2
花粉揭秘:黑死病災情,歐洲各地很不一樣
寒波_96
・2022/02/21 ・4340字 ・閱讀時間約 9 分鐘

14 世紀中葉,歐洲各地陸續爆發鼠疫。瘟疫在當時的歐洲並不稀罕,可是這回實在嚴重,大量人口慘遭消滅,後世稱之為「黑死病」。疫情主要發生在公元 1347 到 1352 年,有些學者估計令歐洲在短期內減少 30 到 50% 人口,或許高達 5000 萬人之多。

一項新上市的研究根據花粉分析,卻得到結論:黑死病對歐洲各地的影響差異不小,有些區域確實大受打擊,但是有些地區輕微得多。我們該怎麼解讀這些研究呢?

受到義大利黑死病爆發為背景的《十日談》啟發的畫作。圖/wiki 公有領域

瘟疫殺死歐洲一半人!真的嗎?

黑死病的病原體是鼠疫桿菌(Yersinia pestis),可藉由老鼠和跳蚤輔助傳播。近年來由遺骸取得古代 DNA 的研究大行其道,令我們得知超過五千年前,便有人感染鼠疫桿菌。鼠疫桿菌能搭乘跳蚤便車,關鍵在於 ymtYersinia murine toxin)基因,晚於四千年前的鼠疫桿菌皆已經具備。

歷史上三次大爆發:6世紀的查士丁尼瘟疫,14 世紀的黑死病,以及 19 世紀末的全球流行,人們面對的都是傳染力升級的細菌版本;除此之外,還有多次規模較小的流行。 遺傳變化有限的病原體,在不同時空的疫情差異很大。

歷次鼠疫桿菌導致的疫情中,黑死病的衝擊最大,有些研究甚至認為它消滅當時歐洲 50% 人口。這類死亡率的評估,主要來自歷史資料,如文書、稅務等紀錄;然而,這類資訊來源未必準確,有時文字會誇大不實,和實際數字有所差異。

還有一點侷限在,歷史資料主要紀錄人口聚居的城鎮,可是黑死病那個時候,歐洲超過 75% 人住在城市之外。人擠人的城市碰上鼠疫這類傳染病,通常受害較大,所以根據城市評估而得的結果,也許會高估瘟疫的危害。

另一方面,不同地區的受災程度很可能不同,就像正在進行的 COVID-19(武漢肺炎、新冠肺炎)疫情,遺傳上相同的病毒重擊秘魯,對澳洲的傷害卻相對有限。而黑死病也是如此,既有資料已經足以看出,相比於義大利深受打擊,波蘭更加輕微。幾處地區的狀況,不能擴大代表整個歐洲。

概念:在黑死病死亡率低的地區,農耕不太受到影響;死亡率高的地區則影響較大,產業轉為畜牧,甚至是恢復野生狀態;這些植物變化會反映在沉積物中的花粉。圖/參考資料 3

花粉大數據

要評估黑死病這類歷史大事件的影響,沒有一種理想辦法,一定要從不同方面尋找證據切入、互補,而環境變化可以作為切入點。突然爆發的疾病,導致大量人口死亡之後,也將造成經濟與社會的動盪,可想而知,自然環境也會受到牽連。

歐洲各地花粉的取樣地點。圖/參考資料 3

新發表的研究選擇以花粉作為指標,探討黑死病的影響,還創造一個看似 fancy 的新名詞描述:「大數據古生態學(big data palaeoecology,簡稱 BDP)」,反正大數據就是那樣。

概念是,受到黑死病負面影響愈嚴重的地區,人類活動會減少愈多,可以由花粉變化看出。具體樣本來自歐洲各地 261 處遺址,一共 1634 個沉積層樣本;年代介於公元 1250 到 1450 年,大致涵蓋黑死病發生之前到之後的各一百年,也就是前後約 4 代人。短時間內大量人口死亡,影響可能延續數代。

不同植物會生成不同花粉,有些花粉落到湖泊等環境,變成湖底的沉積物,有機會保存下來,成為歷史切片的見證。而人類活動影響環境,使得植物生態有別,便會留下不同的花粉組合。

例如農耕發達的地區,會留下大量農作物的花粉,畜牧業普及區則會是另一種風貌;若是人口減少令農牧活動降低,野生植物的花粉便會增加,不同階段又會生長不同野生植物。

地段,地段,地段!

新的分析思維看似很有道理,但是能相信嗎?研究者首先分析資訊最豐富的兩處地點:瑞典、波蘭。許多證據表示黑死病過去後,瑞典慘遭打擊,波蘭反而明顯成長;倘若花粉呈現的狀況一致,便說明這套分析是可靠的。結果花粉分析順利通過考驗。

波蘭和瑞典的比較,瑞典在黑死病之後明顯衰退,波蘭則否。圖/參考資料 3

花粉分析擴大到歐洲全境,最肯定的結論是:各地差異不小。黑死病前後,一些地區差異有限,有些甚至逆風高飛;農牧活動減少最多的地區位於斯堪地那維亞(北歐)、法國、德國西部、希臘、義大利中部。

有個假設是:瘟疫使人口減少以後,產業可能由勞力密集的農耕,轉向較不需要人力的畜牧。但是這回研究指出,所有農耕下降的地區, 畜牧也跟著減少;唯一例外是德國西南部,畜牧反而增長。

考察文獻得知,義大利、法國深受黑死病危害,這也反映在當地的花粉中,證實歷史紀錄的準確。農業開墾往往是森林的敵人,黑死病過後,義大利的森林甚至重新蓬勃復育;慘烈至此,難怪有薄伽丘《十日談》的誕生。

然而不少地區的農牧活動,黑死病前後的差異有限,或是顯著成長,像是伊比利、愛爾蘭,以及中歐、東歐多數地點。這些分析指出黑死病對歐洲各地的影響有別,整體死亡率大概沒有 50% 那麼誇張。

歐洲各地在黑死病前後的變化:穀物、畜牧、植被演替。圖/參考資料 3

其實還是不清楚黑死病的死亡率

該如何看待上述論點呢?花粉分析有優點,也有缺點。一如文字、稅務等切入方向,花粉也有自己方法學上的侷限。它能告訴我們歐洲各地的死亡率不均值,卻無法真正評估死亡率高低。

根據花粉組成在不同年代的相對變化,可以推論當地農牧活動的改變,卻不直接等同於人口的死亡程度。

一個地區在黑死病後一段時間,農牧活動明顯增長,不見得意謂瘟疫時沒有死很多人,也可能是恢復速度很快,或是還有黑死病以外的其他因素。

也要注意這兒的評估是相對的,某地相對的受災比較輕微,不等於災情不嚴重。一個地區在幾十年的時段內,如果損失 30% 人口當然是大災難,但是就算死亡「只有」5%,也不可能馬照跑,舞照跳。

歐洲各地在黑死病前後的變化統整,偏紅色為衰退,偏綠色為成長。圖中名號是當時的政權疆域。圖/參考資料 3

評估大瘟疫更廣泛的社會影響

儘管無法準確判斷死亡率,花粉能評估傳染病對社會更廣泛的影響。黑死病這類大瘟疫,不是只有鼠疫桿菌殺死多少人而已,還會牽連更廣泛的社會運作,累積間接傷害。

即使是一個較小的地理範圍,受災程度也可能有內部差異,如城鎮中心及其周圍的郊區、鄉村。沉積物中的花粉,是一個地區一段時間內的集合紀錄,似乎較能避免城鄉差距的影響。

有學者認為,黑死病過後一個地區之所以沒有衰退,也可能是外地人口填補所致,故質疑新研究的論點。就算真是如此,新遷入的人口也是來自歐洲其他地方,同樣支持新論點的大方向:歐洲各地受災程度有異,並非每處一樣嚴重。何況過往公認疫情嚴重的地區,新分析中也看得出來。

有趣的是,一項 2019 年發表的研究在檢視多重證據後,也認為查士丁尼瘟疫的災情言過其實,不如過往認知的那麼嚴重。提醒各位千萬不能忽略「沒有那麼嚴重,跟不嚴重是兩回事」。

花粉無法回答的問題是:黑死病為什麼在各地影響有別?有人推測是鼠疫桿菌的品系不同,在西歐的殺傷力較強,東歐較弱。但是此一論點缺乏遺傳學、病理學的證據。

2019 年底至今的全球瘟疫清楚告訴我們,遺傳上一模一樣的品系,在不同國家的傳播與傷害天差地別,涉及許多複雜的因素。黑死病比當下冠狀病毒造成的疫情嚴重很多,基本道理大概還是一樣的。

延伸閱讀

參考資料

  1. Susat, J., Lübke, H., Immel, A., Brinker, U., Macāne, A., Meadows, J., … & Krause-Kyora, B. (2021). A 5,000-year-old hunter-gatherer already plagued by Yersinia pestis. Cell Reports, 35(13), 109278.
  2. Spyrou, M. A., Tukhbatova, R. I., Wang, C. C., Valtueña, A. A., Lankapalli, A. K., Kondrashin, V. V., … & Krause, J. (2018). Analysis of 3800-year-old Yersinia pestis genomes suggests Bronze Age origin for bubonic plague. Nature Communications, 9(1), 1-10.
  3. Izdebski, A., Guzowski, P., Poniat, R., Masci, L., Palli, J., Vignola, C., … & Masi, A. (2022). Palaeoecological data indicates land-use changes across Europe linked to spatial heterogeneity in mortality during the Black Death pandemic. Nature Ecology & Evolution, 1-10.
  4. Black death mortality not as widespread as believed
  5. Did the ‘Black Death’ Really Kill Half of Europe? New Research Says No
  6. Mordechai, L., Eisenberg, M., Newfield, T. P., Izdebski, A., Kay, J. E., & Poinar, H. (2019). The Justinianic Plague: an inconsequential pandemic?. Proceedings of the National Academy of Sciences, 116(51), 25546-25554.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁

所有討論 1
寒波_96
174 篇文章 ・ 669 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。

3

5
0

文字

分享

3
5
0
大數據配對:《戀愛是科學》婚姻必勝公式,存在嗎?
雞湯來了
・2021/09/30 ・3771字 ・閱讀時間約 7 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

  • 文/雞湯來了實習生蔡加柔
  • 校稿/雞湯來了陳世芃、張芷晴、榮淑媚
  • 製圖/雞湯來了特派員黃子芸
  • 編輯/雞湯來了蕭子喬

單身靠實力,結婚就靠大數據-《戀愛是科學》

《戀愛是科學》劇照。圖/雞湯來了 提供

「先將設立的理想型條件列出來,然後用電腦分析、引用大數據配對、清查身家背景,最後再簽訂婚前協議,進而快速鎖定「需要」的而非「想要」的伴侶,是避免浪費彼此時間的相親模式。」這是《戀愛是科學》女主角顏霏主張的戀愛 SOP,在劇中 ,她開設一間名為「戀愛科學婚姻仲介所」的公司,藉由大數據的分析,會員配對成功率達到八成之高。

如果這間公司真實存在,你想要加入嗎?你同意她提出「婚姻就是找一個適合你的合夥人」的說法嗎?

我們的匹配指數-「愛情」等於「合適」嗎?

當「勝女」如同「剩女」

「三高女」為何是婚姻市場釘子戶?

《戀愛是科學》劇照。圖/雞湯來了 提供

劇中年齡高、薪資高、學歷高的「三高女」卓乃慧,是一位事業有成的霸道女總裁,卻因為年齡偏大、學歷高又個性強勢等等所謂「死亡組合」,導致沒有願意與她牽手的對象,最後到戀愛科學婚姻仲介所尋求協助,並有了出乎意料的發展。

有一種好,是朋友都是為你好。有一種幸福,是別人覺得你幸福!

我稱它為亞洲壓力。-《戀愛是科學》

相較於乃慧清楚知道自己想要的對象,學歷必須在碩士以上,另外一位林小姐是朋友陪伴而來的。朋友打著幫她尋找幸福的名號,花了半小時洋洋灑灑地列了一堆條件,但是這樣真的是林小姐想要的嗎?

以上兩位角色其實有個共同點,就是她們為自己設下「十分明確且詳細的前提」,無論是否這些條件出自門當戶對的文化或是他人意見。這時我們可以思考一個被討論已久的議題:究竟我們要選擇的是「我愛的人」還是「適合我的人」?換個角度來看,這個問題本身便是感性與理性之間的角逐。

系統的誤差值-當感性破解大數據

系統不會出錯,幫我配對出來的,一定都是條件、能力、價值觀各方面都相當適合我結婚的對象,可是系統它不會知道誰能讓我心情好, 誰會逗我笑。-《戀愛是科學》

我才不管什麼大數據,我 27歲,我選妳。就算妳離過婚,我都選妳。-《戀愛是科學》

《戀愛是科學》劇照。圖/雞湯來了 提供

儘管使用科學輔助,與乃慧設立條件相差甚遠的有福,仍然走進乃慧的心。劇中的另一對,男主角王軒宇也突破大數據,無視一切不利條件也鍾情於女主角顏霏。他們的情感都是突破大數據的存在,確實稱不上理性,而這又是為什麼呢?

事實上,儘管科學上確實能部分證實,我們的心動軌跡有跡可循,但至今依然沒有任何理論或是學者,能完整詮釋愛情的全貌。或許你也曾發現,無論再怎麼理性抉擇,你的暗戀對象或是伴侶,可能依然與你在心裡設定的理想型不太相同,究竟為何「直覺的喜歡」有時會讓人忽略所謂公認的「客觀擇偶條件」呢?學者曾證實,這樣莫名的吸引力其來有自。

當愛來臨時-5大吸引力來源

人類皆是感性與理性的綜合體,所以要做到完全拋卻感性是近乎不可能的。因此劇中除了女主角顏霏使用的科學數據相親法之外,仍有許多「不可測因素」悄然牽動著每位角色的情感,其中,就包含許多「吸引力來源」。以下統整幾項研究,與大家分享超乎理性、多半來自潛意識的五項吸引力來源:

來源 1|時常遇見的「熟悉感」

學者曾在大學課程進行調查,發現在學期結束後,同學與座位附近的同學較有機會成為朋友、建立親密連結。另外一位研究者也在麻省理工學院學生宿舍,詢問一群學生的大學生活中三位親密好友,結果顯示 65% 來自同一棟宿舍。

《戀愛是科學》劇中,在沁藍送了 27 次宵夜之後,軒宇對她漸漸產生情感,可見情感連結或多或少與「熟悉感」相關。但在現實生活要注意的是,勇敢追愛和死纏爛打往往只有一線之隔喔!

《戀愛是科學》劇照。圖/雞湯來了 提供

相關推薦:《當男人戀愛時》啥款 ㄟ告白 ㄟ成功?論告白與追求的務實策略

來源 2|價值觀念具「相似感」

心理學家 Heider 提出的平衡理論指出,人會追求平衡的認知,例如相似的價值觀、意見、政治傾向等。其他學者也在研究中指出,伴侶婚後價值觀的相似性,對於關係滿意度的影響非常大!

然而這也不能過度追求。例如顏霏的客戶 Jason,就堅持他的對象必須熟讀金庸的武俠小說,因為他希望有人能一起討論感興趣的事物。儘管我們認同伴侶間是需要相似感的,但是太過在意相同,反而會讓關係終止。

來源 3|本能追求的「安全感」

人類會因為過往經驗、個人性格等種種原因,漸漸影響對於感情中安全感的需求,進而影響擇偶。因此討論戀愛關係時,我們常提及三種親密依附類型:焦慮型、逃避型、安全型。簡單來說,容易缺乏安全感者多屬於焦慮型,逃避型的人則傾向封閉心房,並且注重隱私與關係界線,至於安全型,則是普遍認為的理想類型。

男主角軒宇和他的前女友沁藍,前者就偏向逃避型、後者則偏向焦慮型。軒宇始終不善於表達心意,而沁藍缺乏安全感,這也成為他們分開的致命傷。

相關測驗:你的安全感是哪一種愛情依附風格?

相關連結:老天爺啊!另一半總是說自己沒安全感,我該怎麼辦?

來源 4|能被喜歡的「認同感」

我們容易被「表現出喜歡我們自己」的對象吸引。社會心理學者觀察進行快速約會(speed-Dating)的雙方並進行訪談後,部分受訪者表示,若感受到對方對自己有興趣,那麼自身會容易被對方吸引。

《戀愛是科學》角色裡,並沒有明顯的感情線來自於此。但我們能觀察到,顏霏在之前將軒宇視作小弟弟,在得知軒宇之前暗戀過自己之後,才轉換想法慢慢地察覺自己的心意。

來源 5|直觀感受上的「容貌」

亞里斯多德曾表示:「美貌是勝過任何介紹信的推薦函。」以生物本能來說,不可否認我們會被美麗的人事物吸引,可能是偏好對稱的五官、大眼睛等。然而每個世代的審美也都有變化,每個人看待容貌條件的想法都不同,最重要的是,有意識的思考容貌對於自己的意義即可。

相關連結:臺灣人的8大愛情風格

幸福的交叉點-戀愛是「感性」與「理性」的交匯

有一些爸媽的觀念也是很奇怪,小時候學生時期不讓小孩談戀愛, 但是長大後卻直接催婚,這不是很不符合邏輯嗎?就等於是從來不考模擬考,就直接學測一樣恐怖。-《戀愛是科學》

《戀愛是科學》劇照。圖/雞湯來了 提供

所以,選擇伴侶之時除了考慮種種條件,最為重要的其實是回歸自我本身。勇於面對心裡的真實情感,梳理清楚這樣的吸引力從何而來、程度為何。

像是劇中的大數據聯誼法,近乎是絕對理性且公認可靠的存在。然而,這樣的客觀條件僅是輔助我們的工具,我們依然要依靠探索與自主思考。如此尋找出結合感性與理性的交匯之處,很可能就是一段幸福關係的起點!

相關連結:現在的孩子都在談什麼戀愛?

參考資料

  • 林奕丞(2015)。夫妻間依附類型配對組合、休閒興趣的相似程度與婚姻滿意度之關係。國立政治大學輔導與諮商碩士學位學程研究所碩士論文。
  • 劉文琴(2006)。夫妻性格的相似性及互補性與婚姻滿意度及親密度的關係。佛光大學心理學研究所碩士論文。
  • Festinger, L. (1950). Informal social communication. Psychological Review, 57, 271-282.
  • Eastwick, P.W., Finkel, E.J. (2008). An in-depth speed-dating exploration of sex differences in romantic partner preferences and the disconnect between stated and in-vivo preferences.
所有討論 3
雞湯來了
48 篇文章 ・ 461 位粉絲
幸福,如何選擇?雞湯來了相信我們值得擁有更優質的家人關係。致力提供科學研究證實的家庭知識,讓您在家庭生活的日常、人生選擇的關卡,找到適合的方向。雞湯來了官網、雞湯來了FB

0

0
0

文字

分享

0
0
0
大數據與人道援助 – 群眾標記應用
活躍星系核_96
・2015/02/26 ・3496字 ・閱讀時間約 7 分鐘 ・SR值 598 ・九年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

作者:潘人豪助理教授,元智大學大數據與數位匯流創新中心

「人道援助」,乍聽這個詞,或許大家腦海中浮出的,是穿著白袍的醫生坐在簡陋環境裡義診,也可能是大批穿著制服協助難民撤逃的軍人們,又或者是寫著UN(United Nations)聯合國的白色四輪驅動越野車奔馳在災區中進行調查支援。有沒有曾經想像過,雲端計算、大數據應用,這樣的前端資通訊技術,也有可能應用在人道援助的場域中呢?

這幾年雲端技術、大數據應用的蓬勃發展,早已深入每一個人日常生活中,更不用說在各個商業領域的前端應用。然而在這樣全球火熱且全面關注的議題中,卻鮮少有人意識到,大數據也同時悄悄的應用到人道援助、國際合作領域中。

每當我們撥出一通電話、購買某個商品、使用社群媒體,甚至僅僅打開網頁瀏覽,都在不知不覺中產生大量資訊,加上自動化感測裝置的連續資料,無論是從政府單位或是私人企業產生儲存,這些無數的大數據資訊源與其交互組合可解釋的問題幾乎可以涵蓋各種議題,而當今的人道援助、國際合作機構,便是企圖利用各種大數據資訊或雲端計算科技,解決當下所面臨的問題,給予目標族群(vulnerable communities)更快速、有效的援助服務。

然而對於這樣的大數據、雲端服務應用,其實並不是近幾年大數據技術流行才有的,早在2007年,位於東非的肯亞(Kenya)共和國因為俱爭議總統大選後的全國性暴動,種族對立衝突造成超過一千三百人喪生與三十五萬人被迫離開家園躲避內亂。

政府軍隊進行武力鎮壓 (Photo: Evelyn Hockstein, The New York Times)
政府軍隊進行武力鎮壓 (Photo: Evelyn Hockstein, The New York Times   )

肯亞國內Kikuyu 族群民眾抗爭(Photo : Evelyn Hockstein, The New York Times)
肯亞國內Kikuyu 族群民眾抗爭(Photo : Evelyn Hockstein, The New York Times

而在肯亞內亂當時,一群當地程式設計師與網路團體開發出名為Ushahidi計畫,Ushahidi為肯亞當地Swahili語言的證言(testimony)之意,Ushahidi計畫發展出一個網路平台,使用者可以透過手機SMS(Short Message Service)簡訊或網站進行暴力事件通報,隨後Ushahidi平台利用Google map進行地理位置標定,藉此跳脫國內媒體受控制或失去機能的狀態,直接由人民發聲向國際尋求援助,也因為Ushahidi的通報與傳播,國際組織得以快速動員進行人道援助救援與物資提供。

2008年後Ushahida計畫也擴展為國際人道援助平台,企圖提供全球進行事件通報與群眾標記(crowdmapping),並運用於諸多國家,如美國亞特蘭大(Atlanta)犯罪事件追蹤、印度(Republic of India)與墨西哥(United Mexican States)選舉結果的提報追蹤,甚至是2010年海地(Republic of Haiti)大地震與2011年日本東北大地震(2011 Tōhoku earthquake and tsunami)的事件追蹤標記。

2011年日本東北大地震Ushahidi應用(圖片來源:livedoor news) 右圖:Ushahidi 平台介面(圖片來源: Jim Craner , Advancing Your Mission With GIS Tools)
2011年日本東北大地震Ushahidi應用(圖片來源:livedoor news

Ushahidi 平台介面(圖片來源: Jim Craner , Advancing Your Mission With GIS Tools)
Ushahidi 平台介面(圖片來源: Jim Craner , Advancing Your Mission With GIS Tools

此外針對急難應用與災害救援事件,Google藉由其所擁有的計算資源,結合其自家Google App Engine分散計算引擎與儲存架構,以及Picasa 影像平台,於2010年時針對中美洲海地地震提出了Google Person Finder服務,針對災區進行災民尋找與通報服務;該服務後續亦提供之後2010智利(Chile)大地震、2011年日本東北大地震,甚至是前年(2013)於菲律賓造成嚴重災情的海燕颱風等災害救援。而Google Person Finder在2011年日本東北大地震期間曾創下高達六十萬姓名資訊紀錄的規模,堪為短時間內人道援助資訊蒐集彙整之成功案例。

2010 海地大地震時Google推出之Person Finder服務 (Image from : Wikipedia)
2010 海地大地震時Google推出之Person Finder服務
(Image from : Wikipedia

同樣透過大數據群眾標記進行人道救援案例,還有哈佛醫學院Rumi學者,透過社群媒體進行對傳染疾病傳播於地理位置擴散標定的流行病學研究,該研究發表於2012年American Journal of Tropical Medicine and Hygiene期刊,該作者透過自動網路媒體調查平台HealthMap,針對海地自2010年10月20號爆發霍亂(Cholera)疫情開始100天,紀錄由網路平台HealthMap、Twitter所產生之社群網路與關鍵字”Cholera”相關訊息,並透過訊息自動標定其地理位置,藉由時間推演與地理資訊標的,進一步對照海地政府公共衛生部(Ministère de la Santé Publique et de la Population, MSPP)提供之實際通報個案數據。

其結果發現網路數據的呈現與地理位置分布,符合MSPP所提供之事後通報個案資料分布與趨勢,證明透過社群媒體進行大數據資料探勘之方法,可以以低成本的方式進行傳染性疾病早期偵測,並達到快速反應與提早實施防疫策略之使用,針對醫療發展落後、醫療資訊蒐集傳遞機制不健全之國家 實為一個創新的應用。

Rumi學者透過社群媒體數據所獲得之禍亂發生、擴散分布圖。 (圖片來源  doi:10.4269/ajtmh.2012.11-0597)
Rumi學者透過社群媒體數據所獲得之禍亂發生、擴散分布圖。
(圖片來源 doi:10.4269/ajtmh.2012.11-0597

發展中國家的公共衛生改善與發展,直接影響該國家人民的生存條件與健康條件,目前各國雖透過社群媒體大數據探勘技術企圖進行早期偵測,但如同文獻與相關報導中所提及,因為城鄉差異過大,資訊能力素養不齊,資料過度集中於高人口密度區域如首都太子港(Port-au-Prince)造成評估上的誤差與偏鄉地區的低估。

2014.02 筆者於Saint-Michel-de-l'Attalaye地區拍攝之霍亂隔離病房
2014.02 筆者於Saint-Michel-de-l’Attalaye地區拍攝之霍亂隔離病房

2014.07 筆者重返Saint-Michel-de-l'Attalaye地區, 該區正爆發霍亂疫情病患擠滿霍亂隔離病房(因病患隱私,未拍攝內部照片)
2014.07 筆者重返Saint-Michel-de-l’Attalaye地區,
該區正爆發霍亂疫情病患擠滿霍亂隔離病房(因病患隱私,未拍攝內部照片)

上述之偏差狀況,由筆者近幾年數度至海地進行人道援助計畫時可得到驗證,今年七月筆者與桃園醫院國際衛生中心再度訪問海地北部Artibonite省之偏鄉Saint-Michel-de-l’Attalaye地區時,遭遇該區域爆發嚴重霍亂疫情,然而時隔2010初次爆發至今已將近三年之久,卻仍無法有效控制疫情散布,原因除了當地缺乏公共衛生工程礎建設、民眾公共衛生教育素養不足外,當地醫療機構僅使用紙本文件進行病患診斷紀錄,缺乏病患追蹤、主動式訊息通報機制,導致衛生單位無法立即獲取第一手疾病資訊以進行疫情防堵,亦是主要原因之一。

因此如何導入全國醫療資訊傳遞網路,由政府端建立真正醫療大數據平台,進行即時傳染性疾病事件通報、監控、追蹤機制,才是治標治本之道。

2014.07 筆者與桃園醫院國際衛生中心 於海地衛生部(MSPP)進行醫療資訊應用課程
2014.07 筆者與桃園醫院國際衛生中心 於海地衛生部(MSPP)進行醫療資訊應用課程

大數據小辭典:

  • 群眾外包(crowdsourcing):此為《連線》(Wired)雜誌記者Jeff Howe於2006年發明的一個專業術語,用來描述一種新的商業模式透過網際網路上的使用者所組成的群體,進行創意的發想、工作執行與技術問題解決等。參與群眾外包成員,針對特定執行項目大多僅收取小額報酬或無償提供服務,因此建立了一種新的勞動結構。
  • 群眾標記(crowdmapping):透過網際網路、行動裝置,群眾使用者可以於平台上標記任何虛擬化事件資訊,包含文字、影像、視訊多媒體、地理資訊、健康醫療紀錄等等,為群眾外包 (crowdsourcing)的延伸應用。常見的群眾標記服務多與地理資訊系統整合,提供具備地理位址之事件資訊。
  • 社群網路(Social Network):是為一群擁有相同興趣與活動的人連結而成的線上社群。針對這類社群所提供的類服務往往是基於網際網路並為用戶提供各種聯繫、交流的互動通路,如電子信件、即時訊息服務或線上網路平台等。常見社群網路平台Facebook, Twitter, Plurk, Google+, LinkedIn, 人人網, 新浪微博, 騰訊微博, Instagram等等。
  • 社群媒體資料探勘(Social Media Mining):社群媒體資料探勘是透過針對社群網物所產生的資料,所進行的資訊擷取、彙整、分析,企圖取得特殊目的、族群的目標模式,透過統計方法、機器學習、網站分析、網路科學等等不同領域的方法,進行對社群網路資料所產生的龐大數據資料尋找其有意義的應用資訊與現象。
  • 社群網路分析 (Social Network Analysis):有別於社群媒體資料探勘,社群網路分析主要過社群網路上每個使用者與其彼此間的關聯性透過電腦科學中的圖學理論、網路理論,將社群網路的事件關聯轉化為圖學上的節點與線段連接,藉此便可以使用數據分析方法中針對圖學、網路關聯分析技術進行判斷,找出其中的群聚、分類、特殊事件與趨勢等標的。

想了解更多大數據知識,歡迎訂閱元智大學大數據匯流電子報

文章難易度
活躍星系核_96
752 篇文章 ・ 96 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

0

14
1

文字

分享

0
14
1
大數據解析人與病毒的距離——「人流研究」預測疫情熱點
研之有物│中央研究院_96
・2021/08/13 ・5848字 ・閱讀時間約 12 分鐘

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪撰文|蕭歆諺
  • 美術設計|林洵安

從人流研究觀測疫情

COVID-19 爆發以來,「社交距離」已成為日常用詞。尤其在本土疫情升溫之時,非必要不外出,成為政府頻頻呼籲的防疫指南。但社交距離政策如何防控疫情?新聞裡部分場所依然人潮洶湧,三級警戒是否減低人潮移動?「研之有物」專訪中研院人文社會科學研究中心詹大千研究員,他透過電信數據分析人流慣性模式,同時也以此為基礎,實際協助地方政府觀察疫情變化、提前預測重熱區。


NPI 為控制疫情重要手段

COVID-19 爆發至今,全球疫情持續延燒。除了施打疫苗,「非藥物介入措施」(Non-Pharmaceutical Interventions,NPI)也是阻斷病毒傳播鏈的重要關鍵。倫敦帝國學院等權威學術機構的研究皆已證實, NPI 能有效降低傳染病的 Rt 值( Effective Reproductive Number,有效再生數,在一定時間內疾病會傳染的人數),減少傳染可能。

具體而言 ,NPI 包含哪些方式?

根據世界衛生組織(WHO)列表,NPI 措施可以從個人防護、生活環境到社會大規模的限制規範,透過非疫苗與藥物的手段遏制疫情。歐盟也針對 COVID-19 詳細列出十幾項 NPI 措施,包含手部消毒、戴口罩、隔離檢疫等。

其中,NPI 的核心概念之一即是落實社交距離。

歐盟疾控中心(ECDC)針對 COVID-19,從個人防護、社區傳播、大規模流行,提出各個層級的 NPI說明。圖/研之有物(資料來源|European Centre for Disease Prevention and Control

「社交距離的政策很廣泛,不只有室內保持 1.5、室外 2 公尺。」中研院人社中心研究員詹大千解釋,公衛學者眼中的社交距離涵蓋多層意涵,包括限制聚會、人數規範、停班停課等,都屬於相關範疇。

目前研究發現人流下降超過 20%,Rt 值就能降至 1 以下;亦有臺灣的研究推算出,若做好個案追蹤(早期偵測、接觸者疫調、14 天隔離),再加上群體保護(社交距離、戴口罩),Rt 可從 2.5 降至 0.85,有效壓制疫情擴散。

數值或有不同,但各項研究皆顯示:社交距離管制與疫情傳播有明顯關聯,管制越嚴格, Rt 值越小。

三級警戒後,人潮是否有改變?

想減緩疫情,減少人與人的接觸是一大關鍵。那麼,要如何檢視社交管制是否奏效?人流、車流的變化是重要觀測風向球!

詹大千以 Google(COVID-19 mobility)、蘋果 (Apple mobility trends)所公布的各國人流數據,佐以本土的遠傳電信數據,同時檢視牛津大學的跨國政策指標,試圖找出政策、人流變化與疫情發展間的關聯。

2021 年 5 月臺灣首度進入三級警戒後,人流減少了嗎?哪些地方降幅最明顯?首先透過 Google 數據來觀察。

檢視人流 3 關鍵場所:工作場所、交通樞紐、購物商場,對疫情控制皆有重要影響。

觀察工作場所。從 Google 人流報告可以看到,5 月 19 日全國進入三級警戒後,工作場所人流隨即減少約 2 成;住宅區則因為鼓勵居家辦公,人流增加約 2 成。

若與其他國家對照,成效如何?以歐洲最早爆發疫情的義大利來看,初期疫情慘重,工作場所迅速下降達 6-7 成,採行嚴格封城政策後更降至 9 成。詹大千提到,由於臺灣並未強制停班,工作場所人潮降低不大,但臺灣變化最明顯的是交通運輸。

Google 大眾運輸站的人流顯示,5 月 17 日(雙北三級後的第一個上班日)便迅速下降了 50%,5 月底降幅超過 7 成,趨近義大利的封城效果。詹大千也進行北市車流監測,數據顯示北市每條道路的平均小時車流量呈現一路下滑趨勢,5 月 14 日(三級前的週五)平均車流量為 981.7,5 月 21 日(三級後的週五)已降至 497.3,大幅減少約一半車流。

最後,若檢視零售商店與休閒設施,隨著禁止內用、電影院關閉等政策施行,人流也減少 5-6 成。

整體來看,臺灣雖只升級到三級警戒,但人潮與車潮下降明顯。除了工作場所改變較小,其他如大眾運輸、公園、零售商店和遊樂場,社交管制都有明顯成效。詹大千分析:「從人流數據來看,臺灣雖然沒有強制封城,但民眾的自律和防疫配合度高,足夠達到自主封城的效果。」

三級警戒沒有強制禁足,但整體來看,臺灣民眾自律、減少非必要外出,實施一週後幾乎已達到「自主軟封城」。(本圖取用 2021.5.8~2021.6.19 的 Google 數值。「Google 社區人流報告」統計各國每週人流趨勢,包含雜貨店和藥局、零售店和休閒設施、大眾運輸站、公園、工作場所、住宅區等六大場所,並以 2020.1.3-2.6 一週內每天的中位數做為基準值。)圖/研之有物(資料來源|Google 社區人流報告
車流監測原本用於環境噪音的研究,研究團隊使用每五分鐘更新一次的即時資料,觀察北市車潮。從圖表趨勢,北市每條道路的平均小時車流量呈現下降(虛線為趨勢線),三級後每逢週末時段明顯減少,上班日則略微回升。註:車流量是依路段計算每小時的車流數(不論車種)。圖/研之有物(資料來源|詹大千

去識別化電信數據助陣:臺灣人往哪裡趴趴走?

「人怎麼移動,疾病常常就那樣流動。」詹大千點出人流觀測的重要意義,「近十年國外已廣泛運用電信數據,從人流移動分析來進行各種推估,包括交通、疾病研究、公衛政策。」

由於 Google 數據的空間尺度以國家為單位,無法觀察各縣市變化,測量地點也較粗泛,較難細緻分析臺灣真實的人流變化。為了精確掌握臺灣本土的人流圖像,詹大千也與遠傳電信合作,以電信數據作為在地研究基礎。

「Google 沒有針對市場、高鐵、量販店做統計,但想判斷臺灣人潮群聚,這類場所很重要,有助於觀察人流熱區。」舉例來說,分析遠傳數據資料,去年 3 月量販店曾出現一波尖峰。回頭推敲,彼時正好是去年的「衛生紙之亂」,透過圖表,即能清晰反映出常民生活面貌。

除了觀測熱點場所,臺灣疫情期間的人流移動有什麼特徵?

觀察跨縣市人流, 2020 年上半年,每到連假各縣市便湧現旅客,多由北部往南部、東部移動,例如高雄、宜蘭的非居民量大增。隨著疫情趨緩 ,5、6 月後假日人潮不斷攀升,端午連假時移動距離達到高峰、觀光區人潮大增,成為南來北往最大量的連續假期!

這些人流模式皆成為重要的防疫參考。今年端午連假前夕,政府便強力呼籲減少返鄉移動、降低雙鐵負載量,新北市也關閉部分觀光風景區。

詹大千與遠傳電信合作,以去識別化的資料加總,觀察夜市、量販店、高鐵站等特定場所的人流變化。從今年曲線,5 月初出現諾富特群聚事件後,人流陡降,特別是假日的觀光風景區,全國三級警戒後降到低點。圖/研之有物(資料來源|詹大千
透過遠傳數據觀察,去年防疫期間,火車站、高鐵人流下滑明顯;醫院、量販店則較早回流。但觀光風景區起伏始終明顯,每逢連假就出現高峰,6 月進入防疫新生活後快速拉高至 35%,顯見去年疫情期間臺灣人最喜歡到風景區放風。圖/研之有物(資料來源|詹大千)
2020 年 6 月後,假日的跨縣市人潮開始增加,旅行距離越來越長。高雄、宜蘭遊客明顯增加,特別是遇上連續假期,人流就會從北部往兩處移動。圖/研之有物(資料來源|詹大千)

分析人流 超前判斷未爆熱區

人流分析對防疫決策具有重要意義,一般可知只要政府管制嚴格,便能控管人流,但唯有科學地掌握實際人流面貌,才能更細緻、滾動式地擬定政策。

「直接封城當然可行,但對社會和經濟的衝擊非常大。」詹大千解釋。

借助人潮數據可判斷高風險的傳播節點,規劃管制順序和強度。清楚呈現人流模式、移動路徑,也有助提前預判可能熱區。

舉例來說,從數據分析後意外發現,某些居住或在萬華區工作的人,可能與三峽經常有互動連結(例如停留)。這個特殊的人流關係模式,無法從實體距離直接判斷出來(如萬華與板橋僅一橋之隔,往來接觸可能性高)。但經數據分析後,地方政府便可以在疫情甫從萬華擴散時,先行至三峽進行重點快篩。

詹大千生動比喻:「不要等個案出來後,像打地鼠一樣去解決;越清楚看出人流移動,我們就可能超前偵測,及早撈出隱形傳播鏈。」實際篩檢後也發現,數據預測處與高風險重熱里,確實高度重疊。

社交管制該多嚴?配合度是另一關鍵

COVID-19 衝擊前所未有,面對這張全新考卷,要封城或宵禁?何時解封?管制是否太鬆散?各國皆只能權衡應變。除了向內看臺灣,詹大千也進行跨國比較,對照不同社交距離政策的防疫效果。

他運用牛津大學的「新冠肺炎政府政策強度指標」(Stringency index),檢視各國的政策鬆緊變化。這是目前最廣泛使用的跨國 NPI 政策指標,依循 17 項檢視項目,涵蓋學校關閉、移動與集會限制等,每日統計 174 國的即時政策強度。管制愈嚴格,指標分數愈高, 逼近 90 分大約已等同全面封城。

以臺灣來說,過去一年以邊境管制為主,沒有大規模停班停課,維持在 20 至 30 分。進入三級警戒後,折線陡升至 70 分以上,大約居於全球 34 名,衝入前五分之一。

綜合各國來看,邊境管制、限制集會等社會衝擊相對較小的防疫措施,多數國家最傾向使用。

依據此項指標,越南、以色列是圖中政策相對嚴格的國家。法國、英國執行封城期間(Lockdown),分數便直逼 90。臺灣原先以邊境管制為主,屬於低度管制,實施三級警戒後便陡升超過 70 分。圖/研之有物(資料來源|詹大千)

若把政策、確診數變化兩相對照,進一步觀察各國人流曲線,也呈現不同面貌。

去年 4 月,日本首度針對大都市如東京、大阪、名古屋發佈「緊急事態宣言」,強制性不大,呼籲減少密切接觸活動。施行一陣子後,確實降低確診數;但隨著緊急事態宣言第三、四次發佈,便出現防疫疲乏,加上政策嚴格維持中低度,整體人流僅減少約 3 成。

視角轉到歐洲,英國同樣面臨類似窘境。政府祭出嚴格的社交距離政策,但民眾配合度不高加上無法可罰,2020 年夏天後人流與確診數再次暴增,中央還得另編獎勵金請地方政府協助,提升政策配合度。

不難發現,能否減少確診數的箇中關鍵,其實和民眾配合度息息相關。

臺灣沒有進入四級警戒,但民眾的自主封城,讓人流降幅已接近國外封城的效果。民眾的配合度高低,可以從臺大公衛的調查看見類似訊息:2020 年 7 月底調查,室內公眾場所戴口罩、進門用酒精消毒的比例高達 99.2% 和 98.4%,防疫警覺高。

以 Google Mobility 比較各國人流,英國、法國在第一次封城後,大眾運輸、零售店減少約 7-8 成人潮;義大利下降約 9 成;臺灣三級警戒後人流下降約 6-7 成;日本發布緊急事態宣言後,人潮則減少約 1-3 成。(註:本圖僅挑選三類場所示意)
圖/研之有物(資料來源|詹大千

疫苗非金鐘罩 社交距離仍是重要防護力

力守邊境一年半後,臺灣疫情首度進入社區傳播,社區防護線成為一大重點。為了讓社區疫情觀察更超前,詹大千團隊也協助改造「社區疾病監測網」。

「我們不是現在才開始,從 2018 年起,就建置北市、高雄社區醫療監測網,監測流感、腸病毒。希望越多基層診所加入,就能布建越全面的流行病社區哨兵。」去年疫情爆發後,研究團隊則新增了新冠肺炎確診、疑似案例、嗅覺喪失等 COVID-19 相關代碼,協助即時掌握社區潛在個案,觀測疫情曲線變化。

監測系統承襲過去由定點醫師回報流感、腸病毒的概念,但改用資訊化系統,不需要耗費醫生通報人力。加入監測網的醫療院所,只要在健保系統中輸入特定症狀代碼,便能提供衛生單位,即時觀察社區流行病的潛伏、蔓延狀況。圖/研之有物(資料來源|詹大千)

社區監測網另一項好處是,多數年輕族群身體不適會先到診所,而非大型醫學中心。透過各地基層診所的症狀回報,有機會更早篩出症狀輕微的年輕確診者。詹大千直言,COVID-19 症狀與流感高度相似,特別是 Delta 病毒株,未來若政府能廣泛提供唾液篩檢組給診所,社區第一線哨兵才能更即時抓出隱形傳播鏈。

來勢洶洶的病毒,已然顛覆了整個世界,可預見的未來我們很可能將與病毒長期共存。廣泛施打疫苗,是社會對抗疫情的必要手段,但面對不斷變種的病毒株,詹大千強調 NPI 仍是不應輕忽的防疫保護網。

他也再次提醒道:「打完疫苗並不是披上無敵金鐘罩,各疫苗的保護力、每個人的免疫狀況都不同,落實社交距離、做好個人防護,始終是根本的防疫之道。」

對抗病毒,不只是公衛醫學,也是一場社會心理、場域的實驗挑戰。中研院集結 20 位人文社會學者,從歷史、經濟、法政、社會學、文學等不同視角,對世紀瘟疫提出深刻討論。除了推出主題網站, 7 月將集結出版《研下知疫-COVID-19 的人文社會省思》,詹大千也在書中透過數據提出觀察分析。圖/中研院出版中心

資料來源

  1. 詹大千,〈有圖來解─社交距離對於延緩 COVID-19 疫情的影響〉,《研下知疫-COVID-19 的人文社會省思》,康豹、陳熙遠編,中研院出版中心,2021
  2.  從手機網路訊號資料,探勘人口動態奧妙,2018
  3. Ta-Chien Chan*, Jia-Hong Tang, Cheng-Yu Hsieh, Kevin J. Chen, Tsan-Hua Yu, Yu-Ting Tsai, to appear,〈Approaching precision public health by automated syndromic surveillance in communities〉,《 PLOS ONE》(DOI: 10.1371/journal.pone.0254479)
  4. 詹大千的個人網頁
研之有物│中央研究院_96
253 篇文章 ・ 2195 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook