Technology Use, Exposure to Natural Hazards, and Being Digitally Invisible: Implications for Policy Analytics
Notice bibliographique
Résumé
Policy analytics combines new data sources, such as from mobile smartphones, Internet of Everything devices, and electronic payment cards, with new data analytics techniques for informing and directing public policy. However, those who do not own these devices may be rendered digitally invisible if data from their daily actions are not captured. We explore the digitally invisible through an exploratory study of homeless individuals in Phoenix, Arizona, in the context of extreme heat exposure. Ten homeless research participants carried a temperature‐sensing device during an extreme heat week, with their individually experienced temperatures (IETs) compared to outdoor ambient temperatures. A nonhomeless, digitally connected sample of 10 university students was also observed, with their IETs analyzed in the same way. Surveys of participants complement the temperature measures. We found that homeless individuals and university students interact differently with the physical environment, experiencing substantial differences in individual temperatures relative to outdoor conditions, potentially leading to differentiated health risks and outcomes. They also interact differently with technology, with the homeless having fewer opportunities to benefit from digital services and lower likelihood to generate digital data that might influence policy analytics. Failing to account for these differences may result in biased policy analytics and misdirected policy interventions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,014 | 0,014 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».