Evaluating the complex interactions between malaria and cholera prevalence, neglected tropical disease comorbidities, and community perception of health risks of climate change
Notice bibliographique
Résumé
The burgeoning literature on the climate change–human health nexus has focused almost exclusively on the health impacts of climate change with little attention to how ill-health and disease influence public perception of the health risks of climate change. Based on a cross-sectional survey of 1,253 individuals, linear regression was used to examine the independent effects of malaria and cholera prevalence, and neglected tropical disease comorbidities on perceived health risks of climate change. Individuals who reported more comorbidities had higher scores on perceived health risks of climate change compared with those who did not report any comorbidities. Unexpectedly, at the multivariate level, there were no statistically significant relationships between age of respondents, gender, and educational attainment on the one hand, and perceived health risks of climate change on the other hand. Individuals who were diagnosed with cholera in the past 12 months had higher scores on perceived health risks of climate change but there was no relationship between diagnosis with malaria in the past 12 months and perceived health risks. Individuals who had attained secondary education had lower scores on perceived health risks of climate change compared with those without any formal education. Given that this relationship did not exist at the bivariate level, it indicates that biosocial and sociocultural factors suppressed the relationship between secondary education attainment and perceived health risks of climate change. The findings underscore the complex relationship between perceived health risks of climate change and infectious disease, comorbidities, compositional, and contextual factors at the multivariate level.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».