MétaCan
Menu
← Retour à la cohorte
Enregistrement W4225008390 · doi:10.3390/ijerph19095322

Assessing Urban Policies in a COVID-19 World

2022· article· en· W4225008390 sur OpenAlexaff
Przemysław Śleszyński, Paulina Legutko‐Kobus, Mark W. Rosenberg, Viktoriya Pantyley, Maciej J. Nowak

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHealth disparities and outcomes
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésPandemicDiversity (politics)Scope (computer science)Public healthBalance (ability)Coronavirus disease 2019 (COVID-19)Perspective (graphical)Political scienceRegional scienceGeographyMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

The aim of this study was to identify how the literature analyzes (identifies, evaluates, forecasts, etc.) the relationship between health issues and urban policy in relation to the COVID-19 pandemic. Four main levels were identified in these cases: (1) direct demands for changes in health care, (2) social issues, (3) spatial organization and (4) redefining the tasks of public authority in the face of identified challenges. The basic working method used in the study assumed a critical analysis of the literature on the subject. The time scope of the search covered articles from January 2020 to the end of August 2021 (thus covering the period of three pandemic waves). Combinations of keywords in the titles were used to search for articles. The health perspective pointed to the need for urban policies to develop a balance between health and economic costs and for coordination between different professionals/areas. A prerequisite for such a balance in cities is the carrying out of social and spatial analyses. These should illustrate the diversity of the social situations in individual cities (and more broadly in urban areas, including, sometimes, large suburbs) and the diversity's relationship (both in terms of causes and consequences) to the severity of pandemics and other health threats.

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)0,013
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,090

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,030
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0140,015
Études des sciences et des technologies0,0020,003
Communication savante0,0100,009
Science ouverte0,0010,003
Intégrité de la recherche0,0020,001
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 Opus0,201
Tête enseignante GPT0,518
Écart entre enseignants0,317 · 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'étudeSans objet
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

Citations14
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public Health→Même sujetHealth disparities and outcomes→Travaux en français237 207→