MétaCan
Menu
Retour à la cohorte
Enregistrement W4213446552 · doi:10.1016/j.marpolbul.2022.113460

Evaluating Canada's single-use plastic mitigation policies via brand audit and beach cleanup data to reduce plastic pollution

2022· article· en· W4213446552 sur OpenAlexaffabout
Lisa Baxter, Zoe Lucas, Tony R. ‎Walker

Notice bibliographique

RevueMarine Pollution Bulletin · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMicroplastics and Plastic Pollution
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésOutreachAuditLitterMarine debrisPlastic pollutionBusinessEnvironmental scienceEnvironmental resource managementPollutionEnvironmental planningEnvironmental protectionGeographyEngineeringWaste managementEcologyPolitical scienceAccounting

Résumé

récupéré en direct d'OpenAlex

Single-use plastics (SUPs) represent a major threat to marine environments and require proactive policies to reduce consumption and mismanagement. Many SUP management strategies exist to reduce SUP use and mitigate environmental impacts, including extended producer responsibility (EPR), deposit-return schemes, SUP bans or taxes, and public outreach and education. This study analyzed brand audit and beach cleanup data in four densely populated Canadian cities (Vancouver, Toronto, Montréal, Halifax) and a remote island (Sable Island) to determine efficacy of ongoing SUP mitigation measures. Cities were found to have similar litter type proportions, and six brands were found to disproportionally contribute to Canadian SUP litter, comprising 39% of branded litter collected. Results confirm that current Canadian SUP management appears to be insufficient to address leakage of SUPs into the environment. Recommendations to strengthen SUP management strategies and mitigate plastic pollution are recommended to improve future Canadian SUP reduction policies.

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)0,006
score de la tête « metaresearch » (Gemma)0,017
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 enseignants0,067
Score d'incertitude au seuil0,483

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,031
Tête enseignante GPT0,247
Écart entre enseignants0,216 · 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

Citations54
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMarine Pollution BulletinMême sujetMicroplastics and Plastic PollutionTravaux en français237 207