MétaCan
Menu
Retour à la cohorte
Enregistrement W3197877814 · doi:10.1080/07900627.2021.1964449

Comparative assessment of alternative water supply contributions across five data-scarce cities

2021· article· en· W3197877814 sur OpenAlexaff
Janez Sušnik, Osman Jussah, Mohamed O. M. Orabi, Muhammed C. Abubakar, Richmond F. Quansah, Wahid Yahaya, Justin A. Adonadaga, Carlos Cossa, Jose Ferrato, Castigo A. Cossa, Wahyono Hadi, Adhi Yuniarto, Bowo Djoko Marsono, Alfan Purnomo, Franҫoise Bichai, Chris Zevenbergen

Notice bibliographique

RevueInternational Journal of Water Resources Development · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesnon disponible
Mots-clésWater supplyClosing (real estate)Water scarcityBusinessResource (disambiguation)Water securityWater resourcesScarcitySupply and demandPotable waterEnvironmental planningEnvironmental economicsWater resource managementNatural resource economicsEnvironmental resource managementEnvironmental scienceEconomicsComputer scienceEnvironmental engineeringFinance

Résumé

récupéré en direct d'OpenAlex

Alternative water sources offer opportunities to contribute to the water supply to meet non-potable urban demand, closing water supply–demand gaps. Detailed assessments of these schemes are often data intensive, which can be a barrier in resource-scarce locations. A data-light approach is proposed and applied to assess the potential contribution of alternative water sources in five cities in the Global South, and to identify barriers preventing their widespread uptake. These barriers include perception, space, cost, home ownership and capacity constraints. This approach is applicable elsewhere, supporting assessment for city water planners/managers for preliminary planning to promote discussion on alternative sources to water security.

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)0,004
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,026
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,006
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,028
Tête enseignante GPT0,305
Écart entre enseignants0,277 · 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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Water Resources DevelopmentMême sujetWater resources management and optimizationTravaux en français237 207