Feasibility of low-cost particle sensor types in long-term indoor air pollution health studies after repeated calibration, 2019–2021
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
Previous studies have explored using calibrated low-cost particulate matter (PM) sensors, but important research gaps remain regarding long-term performance and reliability. Evaluate longitudinal performance of low-cost particle sensors by measuring sensor performance changes over 2 years of use. 51 low-cost particle sensors (Airbeam 1 N = 29; Airbeam 2 N = 22) were calibrated four times over a 2-year timeframe between 2019 and 2021. Cigarette smoke-specific calibration curves for Airbeam 1 and 2 PM sensors were created by directly comparing simultaneous 1-min readings of a Thermo Scientific Personal DataRAM PDR-1500 unit with a 2.5 µm inlet. Inter-sensor variability in calibration coefficient was high, particularly in Airbeam 1 sensors at study initiation. Calibration coefficients for both sensor types trended downwards over time to < 1 at final calibration timepoint [Airbeam 1 Mean (SD) = 0.87 (0.20); Airbeam 2 Mean (SD) = 0.96 (0.27)]. We lost more Airbeam 1 sensors (N = 27 out of 56, failure rate 48.2%) than Airbeam 2 (N = 2 out of 24, failure rate 8.3%) due to electronics, battery, or data output issues. Evidence suggests degradation over time might depend more on particle sensor type, rather than individual usage. Repeated calibrations of low-cost particle sensors may increase confidence in reported PM levels in longitudinal indoor air pollution studies.
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 | 0,003 | 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 | 0,000 | 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) | 0,000 | 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