Evaluation of data accuracies within a comprehensive geospatial-health data surveillance platform: SOMAARTH Demographic Development and Environmental Surveillance Site, Palwal, Haryana, India
Notice bibliographique
Résumé
Abstract Evidence exists of an increasing prevalence of chronic conditions within developed and developing nations, notably for priority population groups. The need for the collection of geospatial data to monitor the health impact of rapid social-environmental and economic changes occurring in these countries is being increasingly recognized. Rigorous accuracy assessment of such geospatial data is required to enable error estimation, and ultimately, data utility for exploring population health. This research outlines findings from a field-based evaluation exercise of the SOMAARTH DDESS geospatial-health platform. Participatory-based mixed methods have been employed within Palwal-India to capture villager perspectives on built infrastructure across 51 villages. This study, conducted in 2013, included an assessment of data element position and attribute accuracy undertaken in six villages, documenting mapping errors and land parcel changes. Descriptive analyses of 5.1% ( n = 455) of land parcels highlighted some discrepancies in position (6.4%) and attribute (4.2%) accuracy, and land parcel changes (17.4%). Furthermore, the evaluation led to a refinement of the existing geospatial health platform incorporating ground-truthed reflections from the participatory field exercise. The evaluation of geospatial data accuracies contributes to understandings on global public health surveillance systems, outlining the need to systematically consider assessment of environmental features in relation to lifestyle-related diseases.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».