<i>E. coli</i> contamination of drinking water sources in rural and urban settings: an analysis of 38 nationally representative household surveys (2014–2021)
Notice bibliographique
Résumé
The world is not on track to achieve universal access to safely managed water by 2030, and access is substantially lower in rural areas. This Sustainable Development Goal target and many other global indicators rely on the classification of improved water sources for monitoring access. We aimed to investigate contamination in drinking water sources, comparing improved and unimproved sources in urban and rural settings. We used data from Multiple Indicator Cluster Surveys, which tested samples from the household water source and a glass of water for Escherichia coli contamination across 38 countries. Contamination was widespread and alarmingly high in almost all countries, settings, and water sources, with substantial inequalities between and within countries. Water contamination was found in 51.7% of households at the source and 70.8% in the glass of water. Some improved sources (e.g., protected wells and rainwater) were as likely to be contaminated as unimproved sources. Some sources, like piped water, were considerably more likely to be contaminated in rural than urban areas, while no difference was observed for others. Monitoring water contamination along with further investigation in water collection, storage, and source classification is essential and must be expanded to achieve universal access to safely managed water.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 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 ».