Particulate Matter (PM) Levels and Associated Health Risks at the Indonesian National Nuclear Energy Agency
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Air quality is one of the challenges to public health.Poor air quality is caused by the presence of air pollutants.WHO mentions particulate matter (PM) as one of the main pollutants.These pollutants have varied toxicity that can threaten public health.This study aims to measure PM pollutants.This study is an effort to monitor and improve air quality in the workplace.This study falls into the descriptive category, with a focus on detailing the levels of PM2.5 and PM10.The research design chosen was cross-sectional.The quantitative data collected shows the concentration of PM collected on filter paper.Sampling was carried out at six points (environmental health laboratory, radiochemistry laboratory, basement, sauna, facilities for Technologically Enhanced Natural Radioactive Material (TENORM) testing, and a parking lot) at the Indonesian National Nuclear Energy Agency by grab sampling.Air sample measurements were carried out using the direct method using the DustTrak DRX-8533 TSI tool with an MCE filter.The overall measurement results of PM concentrations exceeded the established quality standards.The highest concentrations of PM10 and PM2.5 were 18.24 mg/m 3 outdoors.This can occur due to anthropogenic activities such as various human, household, and machine activities.Exposure to PM can cause respiratory problems (clinical codification category J00-J06 and its derivatives).Several ways can be done such as cleaning the office workspace in the morning and evening using a wet mop or vacuum pump.Air quality in the workplace needs to be monitored to create a healthy work environment and health.
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.
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 | 0,001 | 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 | 0,000 | 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 découle