Using Google Earth™ and Geographical Information System data as method to delineate sample domains for an urban household surveys: the case of Maroua (Far North Region-Cameroon)
Notice bibliographique
Résumé
BACKGROUND: Getting a random household sample during a survey can be expensive and very difficult especially in urban area and non-specialist. This study aimed to test an alternative method using freely available aerial imagery. METHODS: A gridded map and random selection method was used to select households for interviews. A hundred numbered of points were put along the edges of an updated map of Maroua. Then two numbers were randomly draw at a time and a line was drawn between those two numbers. A lot of different kinds of shapes of different sizes obtained were numbered. Ten shapes were randomly draw and the one selected were considered as 'neighbourhoods'. A grid of 30 m × 30 m was drawn over each and then numbered. 202 grids considered here as households were randomly selected from the ten neighbourhoods for interviews. RESULTS: Out of 202 households visited, only 4 were found to be something other than a house. In addition, 30 sampled households (14.85%) were abandoned or the occupants had relocated elsewhere. This method resulted in an accuracy level of 72%, its advantage is the ability to generate efficient random sample at relatively low cost as well the time required. CONCLUSIONS: The method proposed in this study was efficient and cost-effective when compared to the infield generation of a household inventory or Global Positioning System (GPS) tracking of households. It can then be used by researchers in low-incomes countries where funding for research is a challenge. However, this method needs to train the investigators on how to use the GPS.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».