Developing an Environmental Exposure Data Platform for Urban Health Research
Notice bibliographique
Résumé
An important part of the Canadian Urban Environmental Health Research Consortium’s (CANUE) mandate is developing an operational urban environmental exposure data platform in support of population-based health research. An effective data platform is viewed as key to breaking down some of the existing research silos in the environment and health field and enabling investigation of multiple and interacting environmental influences on population health.In this presentation, we focus on summarizing the types of exposure data in our platform and those we are currently working on, along with how we manage data access and provide user support with value-added content, and custom data processing and visualization tools. In the early stages of developing content for the data platform our efforts focused on integrating data from different national-scale data sources already in existence, many of which were publicly available with published supporting documentation. Continuing efforts focus on developing new data metrics and integrating the many regional and city-specific or, so-called long-tailed data that make up most urban data sets.Our early experience in developing an environmental exposure data platform has provided valuable lessons learned and guided the operation and user support provided by CANUE. In this context, we discuss the data curation process, including data discovery and content selection when presented with multiple datasets. The lessons learned are aimed at data managers that must decide on the value of the data as well as adding value to the data through the curation process. Finally, we discuss some of the emerging challenges in building, sustaining, and future-proofing an environmental exposure data platform for urban health research.
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 | 0,004 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».