MétaCan
Menu
Retour à la cohorte
Enregistrement W2998523990 · doi:10.5518/746

Surveys for Urban Equity

2019· dataset· en· W2998523990 sur OpenAlexaff
Helen Elsey, Joseph Paul Hicks, Radheshyam Bhattarai, Sudeepa Khanal, Shraddha Manandhar, Rajeev Dhungel, Subash Gajurel, Tarana Ferdous, Junnatul Ferdoush, Nushrat Jahan Urmy, Riffat Ara Shawon, Khương Quỳnh Long, Ak Narayan Poudel, Christopher Cartwright, Tim Ensor, Saidur Rahman Mashreky, Rumana Huque, Hoàng Văn Minh, Dana R. Thomson

Notice bibliographique

RevueUWA Profiles and Research Repository (UWA) · 2019
Typedataset
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensYork University
Organismes subventionnairesMedical Research Council
Mots-clésCensusGeographySlumSampling frameHousehold incomeUrbanizationHuman settlementGeocodingData collectionEquity (law)Social capitalBusinessSocioeconomicsEconomic growthPopulationEconomicsEnvironmental healthCartographyStatisticsPolitical scienceMedicine

Résumé

récupéré en direct d'OpenAlex

This dataset contains results and documentation from three cross-sectional urban household surveys done in Kathmandu (Nepal), Dhaka (Bangladesh) and Hanoi (Vietnam) in 2017 and 2018. The surveys primarily aimed to test the feasibility of using new urban household survey methods that try to better cover/capture informal/slum settlements using sampling frame data generated from random forest models that incorporate census data (which is often outdated and inaccurate) with multiple remotely-sensed covariates, such as urbanisation and infrastructure data. Additionally, the surveys also aimed to gather data on a range of topics including many that are not commonly collected in household surveys, particularly of urban areas: A) basic socio-demographic details of household members, B) household characteristics, assets, income and expenses, C) household migration and social capital, D) household member injury and injury related death, and, for one individual per household, E) migration, social capital and depression/mental health. See the "Readme - dataset file descriptions.docx” file for a description of all files and datasets available, plus additional relevant references.

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)0,014
score de la tête « metaresearch » (Gemma)0,015
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,015
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
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 Opus0,544
Tête enseignante GPT0,547
Écart entre enseignants0,003 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUWA Profiles and Research Repository (UWA)Même sujetCOVID-19 epidemiological studiesTravaux en français237 207