Air pollution success stories in the United States: The value of long-term observations
Notice bibliographique
Résumé
We summarize past examples of the use of science to document the effectiveness of policy in air quality management. Our goal is to inform public discourse amidst attempts to negate the relevance and value of scientific data and fact-based analysis in favor of partisan opinion and ideology. Although air quality is fundamental to environmental and human health, air pollution has degraded natural systems and reduced economic and cultural benefits and services. The quality of air and fresh water across much of the United States vastly improved in recent decades in response to the Clean Air and Clean Water Acts and other rules and policies. We point to recently observed decreases in air pollution and its effects attributable to policy that have been informed by environmental monitoring and research. Examples include decreased environmental lead contamination due to the elimination of tetraethyl lead from gasoline, decreases in tropospheric ozone, improved visibility from reduced airborne particulate matter, declines in atmospheric sulfur and nitrogen deposition that acidify the environment and declines in atmospheric mercury and subsequent bioaccumulation of toxic methyl mercury. Pollutant reductions have provided environmental, social, and economic benefits, highlighting the urgency to apply these lessons to address current critical environmental issues such as emissions of greenhouse gases. These examples underscore the important role of data from long-term research and monitoring as part of fact-based decision-making in environmental 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 | 0,009 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».