MétaCan
Menu
Retour à la cohorte
Enregistrement W4289943419 · doi:10.1002/rvr2.11

Urban water security for developing countries

2022· article· en· W4289943419 sur OpenAlexaboutno aff
Asit K. Biswas

Notice bibliographique

RevueRiver · 2022
Typearticle
Langueen
DomaineNursing
ThématiqueChild Nutrition and Water Access
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSanitationClean waterUrbanizationDeveloping countryMillennium Development GoalsWater securityBusinessEconomic growthSustainable developmentEnvironmental planningPopulationWater resourcesGeographyPolitical scienceEconomicsEngineeringEnvironmental engineeringEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Abstract Populations in urban centers of developing countries have increased very significantly during the post‐1960 period, primarily due to urbanization. Rates of population growth during this period simply overwhelmed their financial, institutional, and technical capacities to manage all types of basic services, including the provision of clean water and proper wastewater management. Surprisingly, issues of access to clean water and sanitation at major international forums of very senior policymakers were first raised during the United Nations Conference, in Vancouver, in 1976. It recommended that everyone should have access to clean water by 1990. Subsequently, Millennium Development Goals set the target that, by 2015, the number of people not having access to clean water should be reduced by half, compared to 1990. The United Nations claimed that this target was met in 2010. However, this is not true. Thereafter, the Sustainable Development Goals stipulated that everyone should have access to clean water by 2030. Current developments indicate that this goal is highly unlikely to be reached. This paper objectively reviews the progress of urban water security in developing countries from the post‐1960 period, analyses why international targets were missed in the past, and what can be done to ensure urban water security in developing countries in the future.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0170,002

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 Opus0,015
Tête enseignante GPT0,257
Écart entre enseignants0,242 · 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

Citations15
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRiverMême sujetChild Nutrition and Water AccessTravaux en français237 207