Using Community Science to Better Understand Lead Exposure Risks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Lead (Pb) is a neurotoxicant that particularly harms young children. Urban environments are often plagued with elevated Pb in soils and dusts, posing a health exposure risk from inhalation and ingestion of these contaminated media. Thus, a better understanding of where to prioritize risk screening and intervention is paramount from a public health perspective. We have synthesized a large national data set of Pb concentrations in household dusts from across the United States (U.S.), part of a community science initiative called "DustSafe." Using these results, we have developed a straightforward logistic regression model that correctly predicts whether Pb is elevated (>80 ppm) or low (<80 ppm) in household dusts 75% of the time. Additionally, our model estimated 18% false negatives for elevated Pb, displaying that there was a low probability of elevated Pb in homes being misclassified. Our model uses only variables of approximate housing age and whether there is peeling paint in the interior of the home, illustrating how a simple and successful Pb predictive model can be generated if researchers ask the right screening questions. Scanning electron microscopy supports a common presence of Pb paint in several dust samples with elevated bulk Pb concentrations, which explains the predictive power of housing age and peeling paint in the model. This model was also implemented into an interactive mobile app that aims to increase community-wide participation with Pb household screening. The app will hopefully provide greater awareness of Pb risks and a highly efficient way to begin mitigation.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle