Environmental-Health Convergence: A deep learning-oriented decision support system for catalyzing sustainable healthy food systems
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
To generate evidence to address food system challenges, we developed an adaptable framework for multimodel assessment of the convergence effect of health and environmental drivers in food systems. We achieved this goal by developing a modeling framework that facilitates testing and applying four deep-learning algorithms using a case study of the United States's food system. Among the models tested, the bidirectional and single-layer long short-term memory models outperformed the others with α E (2.75) and α H (3.51) when predicting environmental drivers and health drivers, respectively. All the models tested performed better at predicting environmental than health drivers. The best-performing model for each dimension was deployed into the Food System Rapid Overview Assessment through Scenarios (FS-ROAS) tool. As we approach the endpoint of the transformative 2030 agenda, FS-ROAS can be a timely toolkit that enables stakeholders to explore diverse intervention scenarios in the context of short-medium and long-term goals for future food systems and generate evidence to guide future actions. • We built a framework to test and apply deep learning models for multioutput predictions. • The LSTM model outperformed all other models when predicting health indicators. • The BiLSTM model outperformed all other models when predicting environmental indicators. • The LSTM and BiLSTM models were deployed into a decision support system (DSS). • The DSS generates evidence to guide public health and climate mitigation strategies.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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