MétaCan
Menu
Retour à la cohorte
Enregistrement W4308881799 · doi:10.12927/hcq.2022.26946

Identifying Opportunities for Greenhouse Gas Reductions and Cost Savings in Hospitals: A Knowledge Translation Tree

2022· review· en· W4308881799 sur OpenAlexaffvenue
Myles Sergeant, Richard D. Webster, Linda Varangu, Anita Rao, Sujane Kandasamy, Madeline Rampton, Neha Mathur, Ana Hategan

Notice bibliographique

RevueHealthcare Quarterly · 2022
Typereview
Langueen
DomaineSocial Sciences
ThématiqueHealthcare Facilities Design and Sustainability
Établissements canadiensMcMaster UniversityBrock UniversityCanadian Climate ForumChildren's Hospital of Eastern OntarioHamilton Health SciencesTrillium Health CentreCanadiana.org
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasPsychological interventionBusinessKnowledge translationHealth careEnvironmental economicsOperations managementKnowledge managementMedicineComputer scienceEconomicsEconomic growthNursing

Résumé

récupéré en direct d'OpenAlex

Research has shown that the healthcare sector is among the least green sectors and constitutes one of the largest contributors to greenhouse gas (GHG) emissions, posing risks to human health. This review discusses the development of a knowledge translation tool that aims to compare a range of interventions that can be applied in hospital settings to reduce the local GHG emissions and associated financial costs. It discusses several interventions that potentially have the most impact on GHG reduction and compares these to interventions that are commonly used in different hospital departments. The authors propose opportunities to advance the implementation of these interventions within hospital operations across many other geographic locations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,864
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,340
Tête enseignante GPT0,453
Écart entre enseignants0,113 · 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 tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealthcare QuarterlyMême sujetHealthcare Facilities Design and SustainabilityTravaux en français237 207