MétaCan
Menu
Retour à la cohorte
Enregistrement W2067233402 · doi:10.5539/ijef.v4n4p239

Health and Economic Implications of Waste Dumpsites in Cities: The Case of Lagos, Nigeria

2012· article· en· W2067233402 sur OpenAlexvenueno aff
I. O. Ogunrinola, E. Omosalewa Adepegba

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2012
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMunicipal Solid Waste Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOrdinary least squaresEnvironmental healthDescriptive statisticsMunicipal solid wasteBusinessSocioeconomicsGeographyEconomicsMedicineEngineeringWaste managementMathematicsStatisticsEconometrics

Résumé

récupéré en direct d'OpenAlex

Refuse dumpsites are found both within and on the outskirts of cities in Nigeria and due to poor and ineffective management, the dumpsites turn to sources of health hazards to people living in the vicinity of such dumps. This study was designed to examine the health and economic implications of solid waste disposal among sampled residents of two major refuse disposal dumps in Lagos, Nigeria. The data used for the study were generated from primary source, while SPSS software was used in the data analyses. In addition to the descriptive analysis which forms the bedrock for the conclusion drawn in this paper, both linear probability and ordinary least squares regression models were also used in the analyses. The models examined the determinants of health status as well as the labour supply of the sampled respondents respectively. The results show that pollution variables are statistically significant in the determination of health status as well as the labour supply performance of respondents. Based on these findings, policy measures that would enhance the health status and improved labour market performance of residents were proposed.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,016
Tête enseignante GPT0,258
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetMunicipal Solid Waste ManagementTravaux en français237 207