2.4.2 ಫೋರ್ಕಾಸ್ಟಿಂಗ್ ಮತ್ತು nowcasting

ಭವಿಷ್ಯದ ಮುನ್ಸೂಚನೆ ಕಷ್ಟ, ಆದರೆ ಪ್ರಸ್ತುತ ಮುನ್ಸೂಚನೆ ಸುಲಭ.

ವೀಕ್ಷಣೆಯ ಮಾಹಿತಿಯೊಂದಿಗೆ ಎರಡನೇ ಮುಖ್ಯ ತಂತ್ರ ಸಂಶೋಧಕರು ಭವಿಷ್ಯ ನುಡಿಯುತ್ತಾರೆ . ಭವಿಷ್ಯದ ಬಗ್ಗೆ ಊಹೆಗಳನ್ನು ಮಾಡುವುದು ಕಷ್ಟಕರವಾಗಿದೆ, ಮತ್ತು ಬಹುಶಃ ಆ ಕಾರಣಕ್ಕಾಗಿ, ಮುನ್ಸೂಚನೆಯು ಪ್ರಸ್ತುತ ಸಾಮಾಜಿಕ ಸಂಶೋಧನೆಯ ದೊಡ್ಡ ಭಾಗವಲ್ಲ (ಆದಾಗ್ಯೂ ಇದು ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರ, ಅರ್ಥಶಾಸ್ತ್ರ, ಸೋಂಕುಶಾಸ್ತ್ರ ಮತ್ತು ರಾಜಕೀಯ ವಿಜ್ಞಾನದ ಒಂದು ಸಣ್ಣ ಮತ್ತು ಪ್ರಮುಖ ಭಾಗವಾಗಿದೆ). ಇಲ್ಲಿ, ಈಗ, "ಈಗ" ಮತ್ತು "ಮುಂದಾಲೋಚನೆ" ಅನ್ನು ಜೋಡಿಸುವಿಕೆಯಿಂದ ಹೊರಹೊಮ್ಮುವ ಒಂದು ವಿಶೇಷವಾದ ಮುನ್ಸೂಚನೆಯನ್ನು ಗಮನಿಸಬೇಕೆಂದು ನಾನು ಬಯಸುತ್ತೇನೆ. ಭವಿಷ್ಯವನ್ನು ಊಹಿಸಲು ಬದಲಾಗಿ, ಮುನ್ಸೂಚನೆಯಿಂದ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿಯನ್ನು ಅಳತೆ ಮಾಡಲು ಕಲ್ಪನೆಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಪ್ರಯತ್ನಗಳು ವಿಶ್ವದ; ಅದು "ಪ್ರಸ್ತುತವನ್ನು ಊಹಿಸಲು" ಪ್ರಯತ್ನಿಸುತ್ತದೆ (Choi and Varian 2012) . ನಕಾರಾತ್ಮಕತೆ ಪ್ರಪಂಚದ ಸಕಾಲಿಕ ಮತ್ತು ನಿಖರ ಕ್ರಮಗಳನ್ನು ಅಗತ್ಯವಿರುವ ಸರ್ಕಾರಗಳು ಮತ್ತು ಕಂಪನಿಗಳಿಗೆ ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಿದೆ.

ಸಕಾಲಿಕ ಮತ್ತು ನಿಖರ ಮಾಪನದ ಅವಶ್ಯಕತೆ ಬಹಳ ಸ್ಪಷ್ಟವಾದ ಒಂದು ಸೆಟ್ಟಿಂಗ್ ಎಪಿಡೆಮಿಯಾಲಜಿಯಾಗಿದೆ. ಇನ್ಫ್ಲುಯೆನ್ಸ ("ಫ್ಲೂ") ಪ್ರಕರಣವನ್ನು ಪರಿಗಣಿಸಿ. ಪ್ರತಿವರ್ಷ, ಕಾಲೋಚಿತ ಇನ್ಫ್ಲುಯೆನ್ಸ ಸಾಂಕ್ರಾಮಿಕ ರೋಗಗಳು ಲಕ್ಷಾಂತರ ರೋಗಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ ಮತ್ತು ಸಾವಿರ ಸಾವಿರ ಸಾವುಗಳು ವಿಶ್ವದಾದ್ಯಂತ ಉಂಟಾಗುತ್ತವೆ. ಇದಲ್ಲದೆ, ಪ್ರತಿ ವರ್ಷ, ಒಂದು ಕಾದಂಬರಿ ಇನ್ಫ್ಲುಯೆನ್ಸ ರೂಪವು ಹೊರಹೊಮ್ಮುವ ಸಾಧ್ಯತೆಯಿದೆ, ಇದು ಲಕ್ಷಾಂತರ ಜನರನ್ನು ಕೊಲ್ಲುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, 1918 ಇನ್ಫ್ಲುಯೆನ್ಸ ಏಕಾಏಕಿ, 50 ರಿಂದ 100 ದಶಲಕ್ಷ ಜನರಿಗೆ (Morens and Fauci 2007) ಕೊಲ್ಲಲ್ಪಟ್ಟಿದೆ ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ. ಇನ್ಫ್ಲುಯೆನ್ಜಾ ಏಕಾಏಕಿಗೆ ಟ್ರ್ಯಾಕ್ ಮಾಡುವ ಮತ್ತು ಸಂಭಾವ್ಯವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಅಗತ್ಯತೆಯ ಕಾರಣದಿಂದಾಗಿ, ವಿಶ್ವದಾದ್ಯಂತದ ಸರ್ಕಾರಗಳು ಇನ್ಫ್ಲುಯೆನ್ಸ ಕಣ್ಗಾವಲು ವ್ಯವಸ್ಥೆಯನ್ನು ಸೃಷ್ಟಿಸಿವೆ. ಉದಾಹರಣೆಗೆ, ಯುಎಸ್ ಸೆಂಟರ್ಸ್ ಫಾರ್ ಡಿಸೀಸ್ ಕಂಟ್ರೋಲ್ ಅಂಡ್ ಪ್ರಿವೆನ್ಶನ್ (ಸಿಡಿಸಿ) ನಿಯಮಿತವಾಗಿ ಮತ್ತು ವ್ಯವಸ್ಥಿತವಾಗಿ ದೇಶಾದ್ಯಂತ ಎಚ್ಚರಿಕೆಯಿಂದ ಆಯ್ಕೆಮಾಡಿದ ವೈದ್ಯರಿಂದ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆಯು ಉನ್ನತ ಗುಣಮಟ್ಟದ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆಯಾದರೂ, ಇದು ವರದಿ ಮಾಡುವ ವಿಳಂಬವನ್ನು ಹೊಂದಿದೆ. ಅಂದರೆ, ವೈದ್ಯರಿಂದ ಬರುವ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ, ಸಂಸ್ಕರಿಸಿದ ಮತ್ತು ಪ್ರಕಟಿಸಲು, ಸಿಡಿಸಿ ಸಿಸ್ಟಮ್ ಎರಡು ವಾರಗಳ ಹಿಂದೆ ಎಷ್ಟು ಫ್ಲೂ ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ. ಆದರೆ, ಉದಯೋನ್ಮುಖ ಸಾಂಕ್ರಾಮಿಕವನ್ನು ನಿರ್ವಹಿಸುವಾಗ, ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಅಧಿಕಾರಿಗಳು ಎರಡು ವಾರಗಳ ಹಿಂದೆ ಎಷ್ಟು ಇನ್ಫ್ಲುಯೆನ್ಜಾವನ್ನು ತಿಳಿಯಲು ಬಯಸುವುದಿಲ್ಲ; ಅವರು ಇದೀಗ ಎಷ್ಟು ಇನ್ಫ್ಲುಯೆನ್ಸವನ್ನು ತಿಳಿಯಲು ಬಯಸುತ್ತಾರೆ.

ಅದೇ ಸಮಯದಲ್ಲಿ ಇನ್ಫ್ಲುಯೆನ್ಜಾವನ್ನು ಪತ್ತೆ ಹಚ್ಚಲು ಸಿಡಿಸಿ ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತಿದೆ, ಗೂಗಲ್ ಕೂಡ ಇನ್ಫ್ಲುಯೆನ್ಸ ರೋಗ ಹರಡುವಿಕೆ ಬಗ್ಗೆ ಮಾಹಿತಿ ಸಂಗ್ರಹಿಸುತ್ತಿದೆ, ಆದರೂ ಸ್ವಲ್ಪ ವಿಭಿನ್ನ ರೂಪದಲ್ಲಿದೆ. ಪ್ರಪಂಚದಾದ್ಯಂತದ ಜನರು ನಿರಂತರವಾಗಿ ಗೂಗಲ್ಗೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಕಳುಹಿಸುತ್ತಿದ್ದಾರೆ ಮತ್ತು "ಫ್ಲೂ ಪರಿಹಾರಗಳು" ಮತ್ತು "ಜ್ವರ ರೋಗಲಕ್ಷಣಗಳು" ನಂತಹ ಈ ಕೆಲವು ಪ್ರಶ್ನೆಗಳು - ಪ್ರಶ್ನೆಗೆ ಒಳಪಡುವ ವ್ಯಕ್ತಿಗೆ ಜ್ವರ ಸಂಭವಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಆದರೆ, ಜ್ವರ ಹರಡುವಿಕೆಯನ್ನು ಅಂದಾಜು ಮಾಡಲು ಈ ಹುಡುಕಾಟ ಪ್ರಶ್ನೆಗಳನ್ನು ಬಳಸುವುದು ಟ್ರಿಕಿ: ಫ್ಲೂ ಹೊಂದಿರುವ ಪ್ರತಿಯೊಬ್ಬರೂ ಫ್ಲೂ-ಸಂಬಂಧಿತ ಹುಡುಕಾಟವನ್ನು ಮಾಡುತ್ತಾರೆ, ಅಲ್ಲದೇ ಪ್ರತಿ ಫ್ಲೂ-ಸಂಬಂಧಿತ ಹುಡುಕಾಟವು ಜ್ವರವನ್ನು ಹೊಂದಿರುವ ಯಾರೊಬ್ಬರಲ್ಲ.

ಜೆರೆಮಿ ಗಿನ್ಸ್ಬರ್ಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳ ತಂಡ (2009) , ಕೆಲವು ಗೂಗಲ್ನಲ್ಲಿ ಮತ್ತು ಸಿಡಿಸಿನಲ್ಲಿ ಕೆಲವು, ಈ ಎರಡು ಡೇಟಾ ಮೂಲಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಪ್ರಮುಖ ಮತ್ತು ಬುದ್ಧಿವಂತ ಕಲ್ಪನೆಯನ್ನು ಹೊಂದಿದ್ದವು. ಸ್ಥೂಲವಾಗಿ, ಒಂದು ರೀತಿಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ರಸವಿದ್ಯೆಯ ಮೂಲಕ, ಸಂಶೋಧಕರು ವೇಗದ ಮತ್ತು ನಿಖರವಾದ ಹುಡುಕಾಟ ಡೇಟಾವನ್ನು ನಿಧಾನ ಮತ್ತು ನಿಖರವಾದ ಸಿಡಿಸಿ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸಿದ್ದಾರೆ ಮತ್ತು ಇನ್ಫ್ಲುಯೆನ್ಸ ವ್ಯಾಪಕತೆಯ ವೇಗದ ಮತ್ತು ನಿಖರ ಅಳತೆಗಳನ್ನು ತಯಾರಿಸುತ್ತಾರೆ. ಅದರ ಬಗ್ಗೆ ಯೋಚಿಸಲು ಮತ್ತೊಂದು ಮಾರ್ಗವೆಂದರೆ ಅವರು ಸಿಡಿಸಿ ಡೇಟಾವನ್ನು ವೇಗಗೊಳಿಸಲು ಹುಡುಕಾಟ ಡೇಟಾವನ್ನು ಬಳಸುತ್ತಿದ್ದರು.

ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾಗಿ, 2003 ರಿಂದ 2007 ರವರೆಗಿನ ದತ್ತಾಂಶವನ್ನು ಬಳಸಿಕೊಂಡು ಗಿನ್ಸ್ಬರ್ಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಸಿಡಿಸಿ ದತ್ತಾಂಶದಲ್ಲಿನ ಇನ್ಫ್ಲುಯೆನ್ಸದ ಹರಡುವಿಕೆಯ ನಡುವಿನ ಸಂಬಂಧ ಮತ್ತು 50 ಮಿಲಿಯನ್ ವಿಭಿನ್ನ ಪದಗಳ ಹುಡುಕಾಟ ಪರಿಮಾಣವನ್ನು ಅಂದಾಜಿಸಿದ್ದಾರೆ. ಈ ಪ್ರಕ್ರಿಯೆಯಿಂದ, ಸಂಪೂರ್ಣವಾಗಿ ಡೇಟಾ-ಚಾಲಿತವಾಗಿದ್ದು ವಿಶೇಷ ವೈದ್ಯಕೀಯ ಜ್ಞಾನದ ಅಗತ್ಯವಿರಲಿಲ್ಲ, ಸಂಶೋಧಕರು ಸಿಡಿಸಿ ಜ್ವರ ಹರಡುವಿಕೆಯ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಮುನ್ಸೂಚನೆಯಂತೆ ಕಾಣುವ 45 ವಿವಿಧ ಪ್ರಶ್ನೆಗಳನ್ನು ಕಂಡುಕೊಂಡಿದ್ದಾರೆ. ನಂತರ, ಅವರು 2003-2007 ಡೇಟಾದಿಂದ ಕಲಿತ ಸಂಬಂಧಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಗಿನ್ಸ್ಬರ್ಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು 2007-2008 ಇನ್ಫ್ಲುಯೆನ್ಸ ಋತುವಿನಲ್ಲಿ ತಮ್ಮ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸಿದರು. ತಮ್ಮ ಕಾರ್ಯವಿಧಾನಗಳು ನಿಜಕ್ಕೂ ಉಪಯುಕ್ತ ಮತ್ತು ನಿಖರವಾದ ಇಕ್ಯಾಸ್ಟ್ಯಾಸ್ಟ್ಗಳನ್ನು ತಯಾರಿಸಬಹುದೆಂದು ಅವರು ಕಂಡುಕೊಂಡರು (ಚಿತ್ರ 2.6). ಈ ಫಲಿತಾಂಶಗಳನ್ನು ನೇಚರ್ನಲ್ಲಿ ಪ್ರಕಟಿಸಲಾಯಿತು ಮತ್ತು ಪತ್ರಿಕಾ ಪ್ರಚಾರವನ್ನು ಸ್ವೀಕರಿಸಿದರು. ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಸ್ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಈ ಯೋಜನೆಯು ಜಗತ್ತನ್ನು ಬದಲಿಸಲು ದೊಡ್ಡ ಡೇಟಾದ ಶಕ್ತಿಯ ಕುರಿತು ಪುನರಾವರ್ತಿತ ಪುನರಾವರ್ತನೆಯಾಯಿತು.

ಚಿತ್ರ 2.6: ಜೆರೆಮಿ ಗಿನ್ಸ್ಬರ್ಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು (2009) ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಗಳನ್ನು ರಚಿಸಲು CDC ಡೇಟಾದೊಂದಿಗೆ ಗೂಗಲ್ ಹುಡುಕಾಟ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸಿದ್ದಾರೆ, ಇದು ಇನ್ಫ್ಲುಯೆನ್ಸ ಮಾದರಿಯ ಅನಾರೋಗ್ಯದ ದರವನ್ನು (ಐಎಲ್ಐ) ಇಗಸ್ಟ್ ಮಾಡಬಹುದು. 2007-2008 ಇನ್ಫ್ಲುಯೆನ್ಸ ಋತುವಿನಲ್ಲಿ ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ನ ಮಧ್ಯ-ಅಟ್ಲಾಂಟಿಕ್ ಪ್ರದೇಶಕ್ಕೆ ಈ ಅಂಕಿ-ಅಂಶಗಳು ಫಲಿತಾಂಶಗಳಾಗಿವೆ. ಇದು ಮೊದಲಿಗೆ ಬಹಳ ಭರವಸೆ ನೀಡಿದ್ದರೂ, ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಸ್ನ ಕಾರ್ಯಕ್ಷಮತೆಯು ಕಾಲಾನಂತರದಲ್ಲಿ ಕ್ಷೀಣಿಸಿತು (ಕುಕ್ ಎಟ್ ಆಲ್. 2011; ಓಲ್ಸನ್ ಎಟ್ ಆಲ್. 2013; ಲಾಜರ್ et al. 2014). ಗಿನ್ಸ್ಬರ್ಗ್ ಇತರರಿಂದ ಅಳವಡಿಸಿಕೊಂಡಿದೆ. (2009), ಚಿತ್ರ 3.

ಚಿತ್ರ 2.6: ಜೆರೆಮಿ ಗಿನ್ಸ್ಬರ್ಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು (2009) ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಗಳನ್ನು ರಚಿಸಲು CDC ಡೇಟಾದೊಂದಿಗೆ ಗೂಗಲ್ ಹುಡುಕಾಟ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸಿದ್ದಾರೆ, ಇದು ಇನ್ಫ್ಲುಯೆನ್ಸ ಮಾದರಿಯ ಅನಾರೋಗ್ಯದ ದರವನ್ನು (ಐಎಲ್ಐ) ಇಗಸ್ಟ್ ಮಾಡಬಹುದು. 2007-2008 ಇನ್ಫ್ಲುಯೆನ್ಸ ಋತುವಿನಲ್ಲಿ ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ನ ಮಧ್ಯ-ಅಟ್ಲಾಂಟಿಕ್ ಪ್ರದೇಶಕ್ಕೆ ಈ ಅಂಕಿ-ಅಂಶಗಳು ಫಲಿತಾಂಶಗಳಾಗಿವೆ. ಇದು ಮೊದಲಿಗೆ ಬಹಳ ಭರವಸೆ ನೀಡಿದ್ದರೂ, ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಸ್ನ ಕಾರ್ಯಕ್ಷಮತೆಯು ಕಾಲಾನಂತರದಲ್ಲಿ ಕ್ಷೀಣಿಸಿತು (Cook et al. 2011; Olson et al. 2013; Lazer et al. 2014) . Ginsberg et al. (2009) ಅಳವಡಿಸಿಕೊಂಡಿದೆ Ginsberg et al. (2009) , ಚಿತ್ರ 3.

ಆದಾಗ್ಯೂ, ಈ ಯಶಸ್ವಿ ಯಶಸ್ಸಿನ ಕಥೆ ಅಂತಿಮವಾಗಿ ಕಿರಿಕಿರಿ ತಿರುಗಿತು. ಕಾಲಾನಂತರದಲ್ಲಿ, ಸಂಶೋಧಕರು ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಸ್ ಆರಂಭದಲ್ಲಿ ಕಾಣಿಸಿಕೊಂಡಿದ್ದಕ್ಕಿಂತ ಕಡಿಮೆ ಪ್ರಭಾವ ಬೀರುವ ಎರಡು ಪ್ರಮುಖ ಮಿತಿಗಳನ್ನು ಕಂಡುಹಿಡಿದಿದ್ದಾರೆ. ಮೊದಲನೆಯದಾಗಿ, ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಸ್ನ ಕಾರ್ಯಕ್ಷಮತೆಯು ಸರಳವಾದ ಮಾದರಿಯಲ್ಲ, ಫ್ಲೂ ಹರಡಿಕೆಯ ಎರಡು ಇತ್ತೀಚಿನ ಮಾಪನಗಳ (Goel et al. 2010) ರೇಖಾತ್ಮಕ ವಿವರಣೆಯನ್ನು ಆಧರಿಸಿ ಫ್ಲೂ ಪ್ರಮಾಣವನ್ನು ಅಂದಾಜು ಮಾಡುವ ಒಂದು ಸರಳ ಮಾದರಿಯು ನಿಜವಾಗಿಲ್ಲ. ಮತ್ತು, ಕೆಲವು ಕಾಲಾನಂತರಗಳಲ್ಲಿ, ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಗಳು ಈ ಸರಳವಾದ ವಿಧಾನಕ್ಕಿಂತ (Lazer et al. 2014) ಹೆಚ್ಚು ಕೆಟ್ಟದಾಗಿವೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಅದರ ಎಲ್ಲಾ ಡೇಟಾ, ಯಂತ್ರ ಕಲಿಕೆ, ಮತ್ತು ಶಕ್ತಿಯುತ ಕಂಪ್ಯೂಟಿಂಗ್ನೊಂದಿಗಿನ ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಗಳು ಸರಳ ಮತ್ತು ಸುಲಭವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಹ್ಯೂರಿಸ್ಟಿಕ್ ಅನ್ನು ಉತ್ತಮವಾಗಿ ಮೀರಿಸುತ್ತಿಲ್ಲ. ಇದು ಯಾವುದೇ ಮುನ್ಸೂಚನೆಯನ್ನು ಅಥವಾ ಇಸ್ಟಸ್ಟ್ನ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ, ಬೇಸ್ಲೈನ್ ​​ವಿರುದ್ಧ ಹೋಲಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ ಎಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ.

ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಸ್ ಬಗ್ಗೆ ಎರಡನೇ ಮುಖ್ಯವಾದ ಕೇವ್ಟ್ ಸಿಡಿಸಿ ಫ್ಲೂ ಡೇಟಾವನ್ನು ಊಹಿಸುವ ಸಾಮರ್ಥ್ಯವು ಅಲ್ಪಾವಧಿಯ ವೈಫಲ್ಯ ಮತ್ತು ದೀರ್ಘಕಾಲೀನ ಕೊಳೆಯುವಿಕೆಗೆ ಕಾರಣವಾಗಿದ್ದು, ಡ್ರಿಫ್ಟ್ ಮತ್ತು ಅಲ್ಗೊರಿದಮ್ ಗೊಂದಲದಿಂದಾಗಿ . ಉದಾಹರಣೆಗೆ, 2009 ರ ಹಂದಿ ಜ್ವರ ಏಕಾಏಕಿ ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಸ್ನಲ್ಲಿ ಜನರು ಇನ್ಫ್ಲುಯೆನ್ಸ ಪ್ರಮಾಣವನ್ನು ನಾಟಕೀಯವಾಗಿ ಅಂದಾಜು ಮಾಡಿದ್ದಾರೆ, ಬಹುಶಃ ಜಾಗತಿಕ ಸಾಂಕ್ರಾಮಿಕ (Cook et al. 2011; Olson et al. 2013) ನ ವ್ಯಾಪಕವಾದ ಭಯಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಜನರು ತಮ್ಮ ಹುಡುಕಾಟದ ವರ್ತನೆಯನ್ನು ಬದಲಿಸಲು ಕಾರಣವಾಗಬಹುದು (Cook et al. 2011; Olson et al. 2013) . ಈ ಅಲ್ಪಾವಧಿಯ ಸಮಸ್ಯೆಗಳ ಜೊತೆಗೆ, ಪ್ರದರ್ಶನವು ಕ್ರಮೇಣ ಕೊಳೆಯುತ್ತದೆ. Google ಹುಡುಕಾಟ ಕ್ರಮಾವಳಿಗಳು ಸ್ವಾಮ್ಯದ ಕಾರಣದಿಂದಾಗಿ ಈ ದೀರ್ಘಕಾಲೀನ ಕೊಳೆಯುವಿಕೆಯ ಕಾರಣಗಳನ್ನು ನಿರ್ಣಯಿಸುವುದು ಕಷ್ಟ, ಆದರೆ 2011 ರಲ್ಲಿ ಜನರು "ಜ್ವರ" ಮತ್ತು "ಕೆಮ್ಮು" (ಜ್ವರ) ಮತ್ತು ಜ್ವರಗಳಂತಹ ಜ್ವರ ರೋಗಲಕ್ಷಣಗಳನ್ನು ಹುಡುಕಿದಾಗ Google ಹುಡುಕಾಟ ಪದಗಳನ್ನು ಸೂಚಿಸಲು ಪ್ರಾರಂಭಿಸಿತು. ಈ ವೈಶಿಷ್ಟ್ಯವು ಇನ್ನು ಮುಂದೆ ಸಕ್ರಿಯವಾಗಿಲ್ಲ). ಈ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಸೇರಿಸುವುದರಿಂದ ನೀವು ಹುಡುಕಾಟ ಎಂಜಿನ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತಿದ್ದರೆ ಅದನ್ನು ಮಾಡಲು ಸಂಪೂರ್ಣ ಸಮಂಜಸವಾದ ಸಂಗತಿಯಾಗಿದೆ, ಆದರೆ ಈ ಕ್ರಮಾವಳಿ ಬದಲಾವಣೆಯು ಹೆಚ್ಚು ಫ್ಲೂ ಟ್ರೆಂಡ್ಗಳು ಜ್ವರ ಹರಡುವಿಕೆಯನ್ನು (Lazer et al. 2014) ಅಂದಾಜು ಮಾಡಲು ಹೆಚ್ಚು ಆರೋಗ್ಯ ಸಂಬಂಧಿತ ಹುಡುಕಾಟಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಪರಿಣಾಮವನ್ನು ಹೊಂದಿತ್ತು.

ಈ ಎರಡು ಕೇವ್ಟ್ಸ್ ಮುಂದಿನ ಇಕಾಸ್ಟ್ಯಾಂಡಿಂಗ್ ಪ್ರಯತ್ನಗಳನ್ನು ಸಂಕೀರ್ಣಗೊಳಿಸುತ್ತವೆ, ಆದರೆ ಅವುಗಳು ಅವನ್ನು ವಿಪರೀತವಾಗಿ ಮಾಡುವುದಿಲ್ಲ. ವಾಸ್ತವವಾಗಿ, ಹೆಚ್ಚು ಎಚ್ಚರಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು, Lazer et al. (2014) ಮತ್ತು Yang, Santillana, and Kou (2015) ಈ ಎರಡು ಸಮಸ್ಯೆಗಳನ್ನು ತಪ್ಪಿಸಲು ಸಾಧ್ಯವಾಯಿತು. ಮುಂದೆ ಹೋಗಿ, ಸಂಶೋಧಕ-ಸಂಗ್ರಹಿಸಿದ ಮಾಹಿತಿಯೊಂದಿಗೆ ದೊಡ್ಡ ಡೇಟಾ ಮೂಲಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಇಕಾಸ್ಟಿಂಗ್ ಅಧ್ಯಯನಗಳು ಕಂಪನಿಗಳು ಮತ್ತು ಸರ್ಕಾರಗಳನ್ನು ಕೆಲವು ವಿಳಂಬದೊಂದಿಗೆ ಪುನರಾವರ್ತನೆಯಾಗುವ ಯಾವುದೇ ಅಳತೆಯನ್ನು ವೇಗಗೊಳಿಸುವ ಮೂಲಕ ಹೆಚ್ಚು ಸಕಾಲಿಕ ಮತ್ತು ಹೆಚ್ಚು ನಿಖರವಾದ ಅಂದಾಜುಗಳನ್ನು ರಚಿಸಲು ಅನುವು ಮಾಡುತ್ತದೆ ಎಂದು ನಾನು ನಿರೀಕ್ಷಿಸುತ್ತೇನೆ. ಗೂಗಲ್ ಫ್ಲೂ ಟ್ರೆಂಡ್ಸ್ ನಂತಹ ನೋಸ್ ಕ್ಯಾಸ್ಟಿಂಗ್ ಯೋಜನೆಗಳು ದೊಡ್ಡ ಡೇಟಾ ಮೂಲಗಳನ್ನು ಸಂಶೋಧನೆಯ ಉದ್ದೇಶಗಳಿಗಾಗಿ ರಚಿಸಿದ ಹೆಚ್ಚು ಸಾಂಪ್ರದಾಯಿಕ ಡೇಟಾದೊಂದಿಗೆ ಸಂಯೋಜಿಸಿದ್ದರೆ ಏನಾಗಬಹುದು ಎಂಬುದನ್ನು ಸಹ ತೋರಿಸುತ್ತದೆ. ಅಧ್ಯಾಯ 1 ರ ಕಲಾ ಸಾದೃಶ್ಯದ ಬಗ್ಗೆ ಮತ್ತೆ ಯೋಚಿಸಿ, ಡಚಾಂಪ್ ಶೈಲಿಯ ರೆಡಿಮೇಡ್ಗಳನ್ನು ಮೈಕೆಲ್ಯಾಂಜೆಲೋ-ಶೈಲಿಯ ಕಸ್ಟಮ್ಮಾದರಿಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ, ಭವಿಷ್ಯದ ಪ್ರಸ್ತುತ ಮತ್ತು ಭವಿಷ್ಯದ ಹೆಚ್ಚು ಸಕಾಲಿಕ ಮತ್ತು ಹೆಚ್ಚು ನಿಖರ ಮಾಪನಗಳೊಂದಿಗೆ ತೀರ್ಪುಗಾರರಿಗೆ ಒದಗಿಸಲು.