MétaCan
Menu
Retour à la cohorte
Enregistrement W3127186236 · doi:10.5864/d2020-029

Climate change education: the need for comprehensive climate change education in environmental public health curriculum

2020· article· en· W3127186236 sur OpenAlexaffvenueabout
Maddy Boyko, Tatianna Desak, Christy Fleming, Ken Diplock, Wendy Pons

Notice bibliographique

RevueEnvironmental Health Review · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensConestoga College
Organismes subventionnairesnon disponible
Mots-clésClimate changePublic healthAccreditationCurriculumPolitical scienceHealth educationPublic relationsEnvironmental resource managementEnvironmental healthEnvironmental planningMedicineMedical educationGeographyNursingEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Climate change is a significant issue impacting human and environmental health. Public health professionals will play an important role in responding to this crisis. This research investigated the need for enhanced climate change education for those in a Canadian Institute of Public Health Inspector (CIPHI)-accredited post-secondary program. In February 2020, a web-based survey was sent to public health professionals via the Ontario Branch of the CIPHI and the Association of Supervisors of Public Health Inspectors in Ontario listservs. The survey explored the climate change subject areas most relevant to public health work, reflections of public health professionals’ own climate change education, and opportunities for improvements in climate change education. The results showed most public health professionals are aware of climate change’s relationship to human health, recognize its impacts in their field, and believe in the value of climate change education. Understanding climate change impacts within this public health profession and the need for climate change education can influence future curricula for prospective public health professionals, resulting in professionals entering the field prepared to tackle the challenges of the future.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,115
Score d'incertitude au seuil0,228

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,182
Tête enseignante GPT0,389
Écart entre enseignants0,207 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

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

En bref

Citations2
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueEnvironmental Health ReviewMême sujetClimate Change and Health ImpactsTravaux en français237 207