MétaCan
Menu
Retour à la cohorte
Enregistrement W3155949807 · doi:10.48550/arxiv.2006.00271

Impact of Coastal Hazards on Residents Spatial Accessibility to Health Services

2020· article· en· W3155949807 sur OpenAlexaff
Georgios P. Balomenos, Yujie Hu, Jamie E. Padgett, Kyle Shelton

Notice bibliographique

RevuearXiv (Cornell University) · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDisaster Management and Resilience
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésVulnerability (computing)HazardClosure (psychology)Natural hazardEnvironmental resource managementScale (ratio)GeographyGeographic information systemBridge (graph theory)Environmental planningTransport engineeringBusinessComputer scienceEnvironmental scienceCartographyEngineeringComputer securityMedicineMeteorology

Résumé

récupéré en direct d'OpenAlex

The mobility of residents and their access to essential services can be highly affected by transportation network closures that occur during and after coastal hazard events. Few studies have used geographic information systems coupled with infrastructure vulnerability models to explore how spatial accessibility to goods and services shifts after a hurricane. Models that explore spatial accessibility to health services are particularly lacking. This study provides a framework to examine how the disruption of transportation networks during and after a hurricane can impact a residents ability to access health services over time. Two different bridge closure conditions, inundation and structural failure, along with roadway inundation are used to quantify post-hurricane accessibility at short- and long-term temporal scales. Inundation may close a bridge for hours or days, but a structural failure may close a route for weeks or months. Both forms of closure are incorporated using probabilistic vulnerability models coupled with GIS-based models to assess spatial accessibility in the aftermath of a coastal hazard. Harris County, an area in Southeastern Texas prone to coastal hazards, is used as a case study. The results indicate changes in the accessibility scores of specific areas depending on the temporal scale of interest and intensity of the hazard scenario. Sociodemographic indicators are also examined for the study region, revealing the populations most likely to suffer from lack of accessibility. Overall, the presented framework helps to understand how both short-term functionality loss and long-term damage affect access to critical services such as health care after a hazard. This information, in turn, can shape decisions about future mitigation and planning efforts, while the presented framework can be expanded to other hazard-prone areas.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,087

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,062
Tête enseignante GPT0,274
Écart entre enseignants0,212 · 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'étudeObservationnel
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetDisaster Management and ResilienceTravaux en français237 207