MétaCan
Menu
Retour à la cohorte
Enregistrement W2437806659 · doi:10.3130/aijt.22.645

FACTOR ANALYSIS ON ELECTRICITY CONSERVATION RATES IN WELFARE FACILITIES

2016· article· en· W2437806659 sur OpenAlexaff
Sayaka KINDAICHI, Daisaku NISHINA, Saburo Murakawa, Shigeki Kametani, Hiroto Takaguchi, Hisashi Hanzawa, Hiroshi Yoshino, Yoshiharu ASANO, Masaya Okumiya, Yoshiyuki Shimoda, Hirotoshi Yoda, Yuzo Sakamoto, Kazuaki Bogaki, Shuzo Murakami

Notice bibliographique

RevueAIJ Journal of Technology and Design · 2016
Typearticle
Langueen
DomaineEnergy
ThématiqueEnergy, Environment, Agriculture Analysis
Établissements canadiensDepartment of Environment and Conservation
Organismes subventionnairesTohoku UniversityNagoya UniversityWaseda UniversityOsaka University
Mots-clésElectricityConsumption (sociology)WelfareEnergy conservationEnergy consumptionFunction (biology)BusinessEnvironmental scienceEnvironmental economicsAgricultural economicsEngineeringEconomicsElectrical engineeringMarket economy

Résumé

récupéré en direct d'OpenAlex

Changes of the energy consumption in welfare facilities before and after the Great Earthquake of East Japan were analyzed based on the investigation for development of the DECC. Both electricity and primary energy consumption in the facilities with the residential function were reduced by approximately 8% in the Tohoku region and 16% in the Kanto region in 2011 compared to those in 2010 even though the difference of air temperatures were taken into consideration. As the results from multivariate analyses, measures related to lighting were effective for energy savings in the facilities both with and without the residential function. Additionally, changes of setting temperature of freezers could be a strong factor for energy savings in the facilities with the residential function, whereas restriction of use of electric appliances such as portable electric pots had large influences in the facilities without the function.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,011
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,013
Tête enseignante GPT0,216
Écart entre enseignants0,204 · 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

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIJ Journal of Technology and DesignMême sujetEnergy, Environment, Agriculture AnalysisTravaux en français237 207