Supplementary Data for "Identification of Neighborhood Hotspots via the Cumulative Hazard Index: Results from a Community-Partnered Low-cost Sensor Deployment"
Notice bibliographique
Résumé
These are the underlying data sets needed to build the kriging maps and calculate dissemination block cumulative hazard indices described in the paper. There are three data sets: <strong>"Sampling location names and coordinates.csv"</strong>: locations and IDs of the low-cost sensors and the regulatory monitoring stations used in this work.<strong> [NOTE: </strong>latitudes and longitudes for the sensor deployments have been intentionally rounded to protect the location of volunteer sensor hosts.] <strong>"Dissemination Block Populations.csv"</strong>: These are the relevant dissemination blocks in the study domain and their associated populations. This information was originally extracted from: https://censusmapper.ca/#13/49.2430/-123.1252 <strong>"Daily average concentrations by site and pollutant.csv"</strong>: This contains the PM2.5, NO2 and O3 daily averages for the entire study period across all low-cost sensor sites and regulatory monitoring stations. Refer to "Sampling location names and coordinates.csv" to parse the labels in this data set. There is also a sample code in Python to construct the kriging maps provided in 2 formats. <strong>[NOTE: </strong>we have intentionally excluded uploading the exact data sets imported by this code; our original data contains exact locations of sensor host volunteers and thus cannot be shared.] <strong>"Jain et al - GeoHealth - Kriging Script.ipynb"</strong>: A Jupyter notebook script to import the data, build kriging maps, calculate CHIs, and export the data. <strong>" Jain et al - GeoHealth - Kriging Script.pdf"</strong>: A PDF export of the Jupyter notebook so that you can read the Python scripts even if you are not a Jupyter notebooks user.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».