Campus–Community Partnership to Characterize Air Pollution in a Neighborhood Impacted by Major Transportation Infrastructure
Notice bibliographique
Résumé
This study investigates air quality in a Toronto community located between an airport and an expressway. A community science approach was adopted for data collection and interpretation, and a partnership was formed between a local neighborhood association, university researchers, the municipal government, and the local airport authority. Community scientists placed low-cost sensors on outdoor balconies and inside homes for 28 weeks between 2020 and 2022, measuring particle number (PN) concentrations of particulate matter (PM) with diameters between 0.5 and 2.5 μm. Indoors, the PN concentrations increased during cooking and other activities. During periods with minimal indoor activities, indoor levels closely followed the outdoor signal. Median indoor/outdoor (IO) ratios varied between 0.4 and 0.87 across sampling months. Median outdoor PN concentrations varied from 1 to 4 #/cm 3 and were influenced by local and regional sources. Outdoor PN concentrations were significantly correlated to PM 2.5 and nitrogen dioxide at a downtown reference station; the latter suggests that traffic emissions from the nearby expressway contribute to PN concentrations in the neighborhood. An analysis of outdoor ultrafine particle (UFP) data collected at a single location suggests that the airport is a source of UFP in the neighborhood. Community engagement was enabled through involvement in study design, execution, and knowledge mobilization.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».