Advancing Urban Healthcare Equity Analysis: Integrating Public Participation GIS with Fuzzy Best–Worst Decision-Making
Notice bibliographique
Résumé
This study provides an innovative collaborative spatial decision support system (SDSS) that aims to ensure an equitable spatial distribution of healthcare services. Evaluating the equality of access to health services across different geographical areas is important, as it requires the analysis of various criteria such as the proximity of health centres and hospitals (HCHs), the quality of services offered, connectivity to primary roads, the availability of public transportation hubs, and the density and distribution patterns of HCHs. This purpose is accomplished via the use of geographic information systems (GIS) and multi-criteria decision analysis (MCDA) methods. The proposed model includes the weights of the criteria, which are determined through the ordered weighted average (OWA) and evaluated based on their ORness, which ranges from 0 to 1. Furthermore, this model is improved by the best–worst fuzzy method (F-BWM). This approach produces a spatial map that clearly shows the equity of healthcare systems in urban environments. The findings show that the maximum score observed in this study was 0.38% (with an ORness value of 1), whilst the minimum score recorded was 0.28%. In the most severe scenario (ORness = 0), over 70% of the region shows different degrees of fairness, ranging from moderate to suitable and very suitable conditions. Governments and health authorities can use this information strategically to allocate resources and address inequities in access to healthcare facilities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».