MétaCan
Menu
← Retour à la cohorte
Enregistrement W3177051319 · doi:10.21203/rs.3.rs-105927/v1

The Impact of Protected Areas on the Incidence of Infectious Diseases

2020· preprint· en· W3177051319 sur OpenAlexaff
Maria Jose Pizarro, Rodrigo Arriagada, Subhrendu K. Pattanayak, Rocío A. Pozo

Notice bibliographique

RevueResearch Square · 2020
Typepreprint
Langueen
DomaineMedicine
ThématiqueZoonotic diseases and public health
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésIncidence (geometry)Environmental healthVirologyMedicinePhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Background: The natural environment provides multiple ecosystem services, and thus welfare benefits. In particular, it is known that different ecosystems, such as forests, contribute to human health through different ecological interactions, and that degradation of these natural ecosystems have been linked to the emergence and re-emergence of infectious diseases. However, there is little evidence on how ecosystem conservation policies affect human health. In Chile, about 20% of national land is under protection by its national network of public protected areas. Methods: We use a database of mandatory reporting of diseases between 1999 and 2014, and considering socio-economic, demographic, climate and land-use factors to test for a causal relationship between protected areas and incidence of infectious diseases using negative binomial random effects models. Results: We find statistically significant effects of protected areas on a lower incidence of Paratyphoid and Typhoid Fever, Echinococcosis, Trichinosis and Anthrax. Conclusions: These results open the discussion about both causal mechanisms that link ecosystem protection with the ecology of these diseases and impacts of protected areas on further human health indicators. JEL Codes: Q58, Q57, Q56, Q01

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)0,011
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 enseignants0,018
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0180,001

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 Opus0,079
Tête enseignante GPT0,447
Écart entre enseignants0,368 · 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 revueResearch Square→Même sujetZoonotic diseases and public health→Travaux en français237 207→