MétaCan
Menu
Retour à la cohorte
Enregistrement W4289518455 · doi:10.1021/acsestwater.2c00167

Drivers of Declining Water Access in Alaska

2022· article· en· W4289518455 sur OpenAlexaboutno aff
Meredith J. Brown, Lauryn A. Spearing, Arkajyoti Roy, Jessica Kaminsky, Kasey M. Faust

Notice bibliographique

RevueACS ES&T Water · 2022
Typearticle
Langueen
DomaineNursing
ThématiqueChild Nutrition and Water Access
Établissements canadiensnon disponible
Organismes subventionnairesNational Science Foundation
Mots-clésQuarter (Canadian coin)RentingCensusGovernment (linguistics)BusinessSocial securityAmerican Community SurveyService (business)GeographyDemographic economicsCapital (architecture)Economic growthEconomicsSocioeconomicsDemographyEngineeringMarketing

Résumé

récupéré en direct d'OpenAlex

A majority of homes in the United States (US) receive household water services via complete in-home plumbing. Observers tend to assume that in the US, there is an upward trend in plumbing access; yet in some Alaska communities, the rate is in fact a downward trend. This study seeks to identify, while considering the spatiotemporal variations in the region, the sociodemographic parameters that are correlated with the rates of in-home plumbing in Alaska communities. Equipped with American Community Survey data from 2011 to 2015, we employed a fixed-effects regression analysis. Our findings show that, concerning complete in-home plumbing, there was a statistically significant decrease in close to a quarter (23%) of census-designated places in Alaska. Access to complete plumbing is correlated to multiple sociodemographic characteristics, including the percentage of households that (1) receive social security, (2) are valued under $150,000, and (3) are renter-occupied units paying for one or more utilities. Our results help decision-makers efficiently allocate government funds by showing where service is deteriorating as well as the potential predictors of such decline. Our study reveals the pressing need to invest in not only new water systems but also maintenance, operations, and capital improvements.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,128
Score d'incertitude au seuil0,255

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,025
Tête enseignante GPT0,291
Écart entre enseignants0,266 · 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

Citations20
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS ES&T WaterMême sujetChild Nutrition and Water AccessTravaux en français237 207