MétaCan
Menu
Retour à la cohorte
Enregistrement W2907587464 · doi:10.3390/ijerph16010070

An Assessment of Climate Change and Health Vulnerability and Adaptation in Dominica

2018· article· en· W2907587464 sur OpenAlexafffund
R Schnitter, Marielle Verret, Peter Berry, Tanya Chung Tiam Fook, Simon Hales, Aparna Lal, Sally Edwards

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensYork UniversityUniversity of WaterlooHealth Canada
Organismes subventionnairesHealth CanadaPan American Health Organization
Mots-clésVulnerability (computing)Vulnerability assessmentClimate changeAdaptive capacityFood securityEnvironmental resource managementAdaptation (eye)Environmental planningPsychological resilienceBusinessEnvironmental healthRisk assessmentResilience (materials science)GeographyPopulationMedicineEcologyPsychologyAgricultureEnvironmental scienceComputer scienceBiologyComputer security

Résumé

récupéré en direct d'OpenAlex

A climate change and health vulnerability and adaptation assessment was conducted in Dominica, a Caribbean small island developing state located in the Lesser Antilles. The assessment revealed that the country's population is already experiencing many impacts on health and health systems from climate variability and change. Infectious diseases as well as food and waterborne diseases pose continued threats as climate change may exacerbate the related health risks. Threats to food security were also identified, with particular concern for food production systems. The findings of the assessment included near-term and long-term adaptation options that can inform actions of health sector decision-makers in addressing health vulnerabilities and building resilience to climate change. Key challenges include the need for enhanced financial and human resources to build awareness of key health risks and increase adaptive capacity. Other small island developing states interested in pursuing a vulnerability and adaptation assessment may find this assessment approach, key findings, analysis, and lessons learned useful.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,405
Score d'incertitude au seuil0,461

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,350
Tête enseignante GPT0,527
Écart entre enseignants0,177 · 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 tête enseignante, 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

Citations62
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public HealthMême sujetClimate Change and Health ImpactsTravaux en français237 207