Notice bibliographique
Résumé
Research has shown that most developing nations like Nigeria are increasingly confronting numerous environmental problems such as greenhouse gases, oil spills, and toxic waste management. However, the real problem has to do with peoples' negative attitudes and behaviors to the environment and resultant environmental problems. For instance, a high percentage of wastes generated in most developing countries in Africa are currently being disposed of via open dumping - which refers to a situation where people dump refuse on the streets. As responsible citizens, however, we should care more for the environment. We must take steps to reduce our personal ecological footprints, educate ourselves on what engenders environmental problems as well as change our attitudes towards our environment. In the last decade, computer-human interaction (CHI) research has evolved in response to the considerable increase in peoples' understanding of the influential roles that technology plays in everyday life. Technologies that are essentially designed for the purpose of influencing users to change their behaviors and attitudes, without using coercion or deception is referred to as Persuasive technology (PT). These behavioral and attitudinal changes are realized via the use of persuasive strategies. Persuasive strategies are techniques that are used in PT design to motivate behavior change and influence people to achieve specific goals in various domains like ecommerce, health and even in environmental management. As a first step towards contributing to research, this study focuses on how to design and implement a mobile persuasive system (a behavioral change support system BCSS) for waste management. This system when implemented could motivate users to change their attitudes and behaviors towards waste disposal and to care more for the environment.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; 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 ».