MétaCan
Menu
Retour à la cohorte
Enregistrement W2672095965 · doi:10.3138/cart.52.2.5103

Code Grey: Mapping Healthcare Service Deserts in Hamilton, Ontario and the Impact on Senior Populations

2017· article· en· W2672095965 sur OpenAlexaffvenueabout
Kristin M. Dosen, Alexis A. Karasiuk, Alexandra C. Marcaccio, Samantha Miljak, Mythili Nair, Victoria J. Radauskas

Notice bibliographique

RevueCartographica The International Journal for Geographic Information and Geovisualization · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrban Transport and Accessibility
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésDowntownPopulationHealth careInequalityHealth servicesGeographyService (business)Healthcare serviceBusinessGerontologyEconomic growthMedicineEnvironmental healthMarketingEconomics

Résumé

récupéré en direct d'OpenAlex

Given the precedent findings of health inequalities in Hamilton, ON and the rapid increase of elderly populations in Canada as a whole, this article looks for areas of deficient health services within the Hamilton region, characterized as “healthcare deserts,” and examines the possible implications with respect to the residing senior populations. Maps were constructed by overlaying median household income and percentage of population over 65 with the locations of healthcare services frequented by seniors. Qualitative analysis revealed that the distribution of senior services has no correlation to the senior population, and that senior services tend to be concentrated in lower income areas. This research has exposed the existence of healthcare deserts in most regions of Hamilton except the downtown core. Since seniors are less able to travel longer distances, living far away from these services could act as a barrier, inhibiting access and reducing quality of life. Concerns regarding accessibility of health services will become more important as this demographic grows, so mapping services in this manner can inform urban planning to minimize the impacts of these deserts.

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)0,002
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 enseignants0,020
Score d'incertitude au seuil0,142

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,005
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,044
Tête enseignante GPT0,373
Écart entre enseignants0,329 · 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

Citations8
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCartographica The International Journal for Geographic Information and GeovisualizationMême sujetUrban Transport and AccessibilityTravaux en français237 207