Environmental-Health Convergence: A deep learning-oriented decision support system for catalyzing sustainable healthy food systems
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».