The Development and Testing of Pour-Flush Toilet Sensors for Understanding User Interaction in Peri-Urban Households
Notice bibliographique
Résumé
Abstract Rapid worldwide urbanization has created peri-urban environments that often lack services and infrastructure for water and sanitation. Globally, around 4.5 billion people do not have access to safely managed sanitation, as is often the case in such environments. Efforts to develop appropriate sanitation alternatives in these contexts recognize the value of understanding users’ preferences and interaction with their sanitation systems, however, the traditional tools for assessing technology usage and adoption are based on physical observation, which presents limitations. In this work, we developed a toilet sensor to identify usage patterns of pour-flush toilets by quantifying flushing and defecation events. The device has a methane gas sensor, IR distance sensor and a motion sensor connected to a microcontroller. Its small footprint allows for unobtrusive installation inside a toilet bowl and operates battery-powered for about 5 days depending on usage patterns. To evaluate the sensor performance, units were installed for a field trial in nine participants’ households in a Mexican peri-urban community and an algorithm for automated data analysis was developed. Surveys were also conducted to benchmark the sensor performance and determine the potential value of the approach. Results showed that on average people underreported their daily toilet usage by two events compared to the measurements and they flushed only 75% of the time after defecation. By monitoring the usage of the current pour-flush toilets lacking piped water and sewerage and complementing the data with users’ feedback, we can gain an understanding of the existing limitations so more suitable sanitation alternatives can be proposed.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».