Identifying Memory Mechanisms in Bayesian Models of Behavioural Change During Epidemics
Accurate epidemic modeling requires accounting for behavioral changes driven by perceived risk. However, existing models often rely on ad hoc assumptions that focus only on recent cases, ignoring how long-term collective memory shapes current actions. This study introduces the Memory Mechanism Enhanced Behavioural Change (MEBC) framework within a Bayesian SIR model. It evaluates five distinct memory mechanisms—memoryless, sliding window, power-law, exponential, and reciprocal—to quantify how past epidemic data influences present behavior. Using a Bayesian data-augmented MCMC scheme, the framework jointly estimates transmission and behavioral parameters while addressing uncertainty in infectious periods. Results from simulation experiments and real-world applications (COVID-19 in Miami-Dade and 2023–2024 influenza in Manitoba) show that MEBC models significantly improve fit. This highlights the vital role of collective memory in driving behavioral adaptation and transmission dynamics.
Identification des mécanismes de mémoire dans des modèles bayésiens du changement comportemental pendant les épidémies
La modélisation précise des épidémies doit intégrer les changements de comportement face au risque. Or, les modèles actuels se limitent souvent aux cas récents, négligeant l'impact de l'expérience passée.
Cette étude propose le cadre MEBC (Memory Mechanism Enhanced Behavioural Change) via un modèle SIR bayésien. Cinq mécanismes de mémoire sont testés — sans mémoire, fenêtre glissante, loi de puissance, exponentiel et réciproque — pour quantifier l'influence des données passées sur les comportements actuels.
Grâce à un schéma MCMC bayésien, l'étude estime les paramètres de transmission et de comportement malgré l'incertitude des périodes infectieuses. Les tests sur la COVID-19 (Miami-Dade) et la grippe 2023-2024 (Manitoba) prouvent que l'intégration de la mémoire améliore nettement l'ajustement du modèle. Cela souligne le rôle clé de la mémoire collective dans la dynamique des transmissions.
Cette étude propose le cadre MEBC (Memory Mechanism Enhanced Behavioural Change) via un modèle SIR bayésien. Cinq mécanismes de mémoire sont testés — sans mémoire, fenêtre glissante, loi de puissance, exponentiel et réciproque — pour quantifier l'influence des données passées sur les comportements actuels.
Grâce à un schéma MCMC bayésien, l'étude estime les paramètres de transmission et de comportement malgré l'incertitude des périodes infectieuses. Les tests sur la COVID-19 (Miami-Dade) et la grippe 2023-2024 (Manitoba) prouvent que l'intégration de la mémoire améliore nettement l'ajustement du modèle. Cela souligne le rôle clé de la mémoire collective dans la dynamique des transmissions.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais