线下授课与COVID-19风险的关联研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT04529421

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

条件：感染、感染控制。研究者邀请挪威所有大学和大学学院参与。同意参与机构的所有学生将收到短信（或电子邮件）邀请参加研究。邀请包含一个链接，引导参与者进入基于网络的知情同意书和问卷。研究者将使用奥斯陆大学的在线同意书、网络调查（Nettskjema）和研究数据安全存储（TSD）解决方案。研究者将询问参与者是否接受过COVID-19检测、检测结果、学生获得多少线下授课以及多少在线授课。研究者还将询问其他COVID-19风险因素和背景变量，这些变量可能作为分析中的潜在调整因素（混杂因素）纳入（见附件1——问卷）。研究者将每两周通过短信或电子邮件发出新邀请，对学生进行调查。

研究期将持续到大学维持仅面向特定学生群体开展线下教学安排为止。研究人员计划研究期持续至2020年剩余时间。研究人员将征求参与者同意，将调查结果与来自Common Student System的学习项目、入学依据、学习状态、学业成绩、性别和年龄等信息进行关联。研究人员将进行多元回归分析，以检验线下教学与各项结果之间是否存在关联。线下教学是一个连续变量，定义为（提供线下教学的天数）/（提供线下教学的天数+提供线上教学的天数）。研究人员将控制潜在混杂变量，包括学习项目年级、学习领域、年龄和性别。研究人

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。