MétaCan
Menu
Retour à la cohorte
Enregistrement W4323362390 · doi:10.18280/ijdne.180112

Disposable Face-Mask Waste Management and Assessment Through Willingness to Pay and SWOT Framework in Post COVID-19 Pandemic

2023· article· en· W4323362390 sur OpenAlexvenueno aff
Nor Isnaeni Dwi Arista, Herdis Herdiansyah

Notice bibliographique

RevueInternational Journal of Design & Nature and Ecodynamics · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueHealthcare and Environmental Waste Management
Établissements canadiensnon disponible
Organismes subventionnairesUniversitas Indonesia
Mots-clésSWOT analysisCoronavirus disease 2019 (COVID-19)PandemicWillingness to pay2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Face (sociological concept)BusinessEnvironmental economicsOperations managementEngineeringEconomicsMarketingVirologyMedicineSociologySocial scienceMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Disposable masks are widely used during the pandemic and post-pandemic as selfprotection from COVID-19.Due to this, a mask waste disposal problem has happened throughout the world, impacting the environment through pollution.Disposable waste management using the Willingness to Pay (WTP) system can be a mitigation effort.The study was conducted using an online cross-sectional questionnaire which was analyzed using the Spearman method and the SPSS cross tab descriptive analysis technique.The results of the study found that there is a positive correlation in the community's approval for the management of mask waste with the WTP response, which had a negative impact on the environment.However, it is negatively correlated with the amount of budget issued by the community with WTP.A SWOT (Strength, Weakness, Opportunity, Threat) study was proposed to evaluate the proposed WTP of the waste management system, finding that it is important to educate the public about the negative impacts.Therefore, WTP can be applied in the management of mask waste because it has advantages in waste management on a small to large scale.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,159
Score d'incertitude au seuil0,480

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,030
Tête enseignante GPT0,354
Écart entre enseignants0,324 · 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.

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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Design & Nature and EcodynamicsMême sujetHealthcare and Environmental Waste ManagementTravaux en français237 207