An Investigation into Which Methods Best Explain Children’s Exposure to Traffic-Related Air Pollution
Notice bibliographique
Résumé
There have been several methods employed to quantify individual-level exposure to ambient traffic-related air pollutants (TRAP). These include an individual's residential proximity to roads, measurement of individual pollutants as surrogates or markers, as well as dispersion and land use regression (LUR) models. Hopanes are organic compounds still commonly found on ambient particulate matter and are specific markers of combustion engine primary emissions, but they have not been previously used in personal exposure studies. In this paper, children's personal exposures to TRAP were evaluated using hopanes determined from weekly integrated filters collected as part of a personal exposure study in Windsor, Canada. These hopane measurements were used to evaluate how well other commonly used proxies of exposure to TRAP performed. Several of the LUR exposure estimates for a range of air pollutants were associated with the children's summer personal hopane exposures (r = 0.41-0.74). However, all personal hopane exposures in summer were more strongly associated with the length of major roadways within 500 m of their homes. In contrast, metrics of major roadways and LUR estimates were poorly correlated with any winter personal hopanes. Our findings suggest that available TRAP exposure indicators have the potential for exposure misclassification in winter vs. summer and more so for LUR than for metrics of major road density. As such, limitations are evident when using traditional proxy methods for assigning traffic exposures and these may be especially important when attempting to assign exposures for children's key growth and developmental windows. If long-term chronic exposures are being estimated, our data suggest that measures of major road lengths in proximity to homes are a more-specific approach for assigning personal TRAP exposures.
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 | 0,002 | 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 | 0,001 | 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) | 0,001 | 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 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 ».