E-Wastes: Bridging the Knowledge Gaps in Global Production Budgets, Composition, Recycling and Sustainability Implications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rapid urbanization, advancements in science and technology, and the increase in tech-savviness of consumers have led to an exponential production of a variety of electronic equipment. The global annual growth rate of e-waste volume exceeds the growth rate of the human population. Electronic waste has now become a point of concern globally (53.6 million metric tons, 2019). However, merely 17.4% of all global e-waste is properly collected and recycled. China is the largest contributor to the global production of e-waste (~19%), the second being the United States. Indeed, only 14 countries generated over 65% of global e-waste production in 2019. E-wastes contain a wide range of organic, and inorganic compounds including various metals. Emerging contaminants like plastics are amongst the fastest growing constituents of electronic waste. The current challenges include the lack of reliable data, inadequate identification and quantification of new emerging materials, limited effectiveness of current recycling technologies, need for cutting-edge detection and recycling technologies, and the lack of e-waste management policies and international collaboration. In this review, we strive to integrate the existing data on production rates at different spatial scales, composition, as well as health, economical, and environmental challenges, existing recycling technologies; explore tangible solutions; and encourage further sustainable technology and regulatory policies.
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.
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 | 0,001 |
| 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 | 0,000 |
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 découle