Notice bibliographique
Résumé
Poor people may be more susceptibie, but poverty also fosters increased pollution This issue of the journal includes three papers that touch on relations among socioeconomic status (SES), health, and air quality. Jerrett et al considered whether SES differentials in Hamilton, Ontario, modify the temporal relations between daily mortality and either coefficient of haze (COH) or SO2.1 Martins et al did a similar analysis with respect to PM10 in Sao Paulo, Brazil.2 The third paper, by Gouveia et al , also involved Sao Paulo but examined cross sectional relations between several pollutants and infant birth weight.3 As such, it involves SES factors only implicitly, by virtue of the trends seen by Martins et al 2 that link levels of PM10 in Sao Paulo with residence in slums and other SES indicators. Inequitable distribution of environmental impacts within a city or region may raise issues of “environmental justice”,* but it may also be possible to get additional insights into the implied health relations by probing a little deeper into the nature and origins of such differential impacts. Most time series studies are based on entire cities and spatially averaged air quality, in order to maximise statistical power and to preclude the necessity of assigning individual deaths to specific air quality monitors. Time series studies avoid SES confounding by design, as those factors do not vary on a daily basis. However, many air pollutants tend to vary in concert, especially those that are co-emitted by common sources, thus making it difficult to identify the most probable causal agent. Cross sectional studies may have less co-pollutant collinearity, but can suffer from SES confounding to the extent that SES may tend to decrease with residential proximity to major pollution sources. All of these issues are in …
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».