MétaCan
Menu
Retour à la cohorte
Enregistrement W4399997765 · doi:10.1111/nyas.15115

NPCC4: Climate change and New York City's health risk

2024· article· en· W4399997765 sur OpenAlexaff
Thomas Matte, Kathryn Lane, Jenna F. Tipaldo, Janice Barnes, Kim Knowlton, Emily Torem, Gowri Anand, Liv Yoon, Peter J. Marcotullio, Deborah Balk, Juanita Constible, Hayley Elszasz, Kazuhiko Ito, Sonal Jessel, Vijay S. Limaye, Robbie M. Parks, Mallory Rutigliano, C. E. Sorenson, Ariel Yuan

Notice bibliographique

RevueAnnals of the New York Academy of Sciences · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésClimate changeFlooding (psychology)Public healthHuman healthEnvironmental planningContext (archaeology)Environmental healthHealth riskPandemicClimate riskClimate resilienceGeographyEnvironmental resource managementEnvironmental scienceCoronavirus disease 2019 (COVID-19)MedicineInfectious disease (medical specialty)Ecology

Résumé

récupéré en direct d'OpenAlex

This chapter of the New York City Panel on Climate Change 4 (NPCC4) report considers climate health risks, vulnerabilities, and resilience strategies in New York City's unique urban context. It updates evidence since the last health assessment in 2015 as part of NPCC2 and addresses climate health risks and vulnerabilities that have emerged as especially salient to NYC since 2015. Climate health risks from heat and flooding are emphasized. In addition, other climate-sensitive exposures harmful to human health are considered, including outdoor and indoor air pollution, including aeroallergens; insect vectors of human illness; waterborne infectious and chemical contaminants; and compounding of climate health risks with other public health emergencies, such as the COVID-19 pandemic. Evidence-informed strategies for reducing future climate risks to health are considered.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,272
Score d'incertitude au seuil0,540

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,001
Communication savante0,0040,002
Science ouverte0,0010,004
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0270,003

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 Opus0,337
Tête enseignante GPT0,407
Écart entre enseignants0,070 · 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 source (Gemma direct ou Codex distillé), 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

Citations25
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of the New York Academy of SciencesMême sujetClimate Change and Health ImpactsTravaux en français237 207