Improving Access to Hygiene, Sanitation, and Drinking Water in King County and Beyond: Success Factors and Costs
Notice bibliographique
Résumé
CONTEXT: Most major urban areas in the US, including Seattle and King County, have a long-standing lack of public restrooms, handwashing stations, and drinking water, presenting public health risks. OBJECTIVE: To aid decision-makers in expanding access, we review available information regarding successful hygiene programs in urban settings to identify shared characteristics and costs. DESIGN: We reviewed 10 journal articles, 49 news articles, and 54 pieces of gray literature including reports, white papers, and online resources describing real-world hygiene, sanitation, and drinking water programs in US and global urban settings. We selected programs in 8 cities and applied a thematic analysis to identify shared success factors. We also summarized costs where available. SETTINGS: Calgary (Canada), Denver (Colorado), London (United Kingdom), Los Angeles (California), Portland (Oregon), San Francisco (California), Seattle (Washington), and Vancouver (Canada). RESULTS: Successful programs usually provide frequent cleaning and maintenance, are designed and operated to discourage crime and misuse, leverage existing infrastructure, and include mobile solutions. Cities can expect an initial cost of at least $133 000 per toilet and annual operating costs of at least $100 000 per toilet. CONCLUSIONS: By employing proven solutions and bringing them to scale over time, cities can promote health while improving quality of life and facilitating movement through public spaces for all. Costs should be understood in the context of expenses such as sidewalk cleaning and human waste removal that are necessitated by a lack of restrooms.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».