Notice bibliographique
Résumé
As food waste increases globally, many cities have implemented curbside collection of food waste (aka green bin programs) to divert food waste from landfills. However, not all municipalities in Ontario have green bin programs. A factor responsible for the adoption of green bin programs is the community support for the program. The study results are based on 407 completed surveys from randomly selected households in London, Ontario (a municipality without a green bin program) and Kitchener-Waterloo, Ontario (a municipality with a green bin program). Surveys were used to collect data to understand: i) the predictors of household green bin support and, ii) the difference in green bin support between both cities. Household food wasting and waste diversion variables were used to predict green bin support. As hypothesized, food wasting, and waste diversion variables were able to predict green bin support and Kitchener-Waterloo respondents were more supportive than those from London. Concern for environmental impact, convenience and norms favouring green bin use were the strongest predictors of green bin support in all three models (Kitchener-Waterloo, London and pooled sample). Composting, amount of food wasted, good provider identity, personal norms against food wasting, and food waste education were predictors in two models (London and pooled sample) while age was only a predictor one model (pooled sample). Municipalities looking to improve green bin support should consider educating their residents on food waste reduction and future research should investigate whether green bin support translates to green bin behaviour.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».