Collective intelligence for addressing community planetary health resulting from salinity prompted by sea level rise
Notice bibliographique
Résumé
Sea level rise-induced salinity encroachment is causing various community-level planetary health impacts in coastal areas worldwide. The coastal area of Bangladesh is no exception. Driven by sea level rise, coastal Bangladesh's salinity is amplified by other factors such as shrimp cultivation, reduction of transboundary river flow in the dry season, mismanagement of the embankment, and frequent cyclone-related storm surges. Due to the salinity encroachment in this region, water and soil salinity is increasing, resulting in multiple planetary health impacts. Based on twenty years of field observation and an extensive literature review, these health impacts can be categorized as (i) primary health consequences (communicable and non-communicable diseases; scarcity of potable water), (ii) secondary health consequences (food and nutrition security; migration and related health impacts) and (iii) tertiary health consequences (adaptation-related emerging diseases; disaster-related health vulnerability). By exploring these multidimensional health impacts and associated factors of salinity, a collective intelligence-based framework to address the health impacts is described in this paper. Collective intelligence can be a valuable technique to engage multiple stakeholders in sharing and gathering data, and to facilitate the modeling of the health impacts of salinity. Collective intelligence can also help indicate appropriate interventions to address the planetary health impacts of increasing salinity.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».