Archived Newspaper Reports as a Complementary Source of Epidemiological Data for Research into Climate Change Adaptation
Notice bibliographique
Résumé
The impact of weather extremes on population health can be studied using descriptive information about pre-and post-event circumstances.Yet, descriptive data are not typically recorded in administrative databases used in quantitative health research by epidemiologists.This chapter introduces, describes and validates a method for using newspaper reports to complement traditional epidemiological data sources for research on climate change impacts.As per the innovative methods and systems-based approaches advanced by Anthony (Tony) J. McMichael in his research across a broad array of epidemiological enquiry, our method development focuses on four areas by combining qualitative and quantitative methods: first, selecting and extracting information regarding extreme weather-related events and extreme weather-related disasters, and linking them to the appropriate newspapers; second, creating a content analysis framework (CAF) and extracting factual health data (i.e.manifest content) and its implied meaning (i.e.latent content) from newspaper reports; third, verifying the factual health-related data found in newspaper reports; and, fourth, corroborating the number of deaths cited in mortality data.Our research supports the use of newspaper reports related to extreme weather as a complementary source of contextual epidemiological data when assessing climate-related health impacts to support more traditional epidemiological research in health and social policy.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,014 |
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 ».