Knowledge, Awareness, Practices, and Perceptions of Risk and Responsibility Related to Extreme Heat:
Notice bibliographique
Résumé
OBJECTIVES: Knowledge and risk perception are driving factors for initiating appropriate health-protective actions during extreme heat events (EHEs). We sought to examine the (1) current knowledge of heat as a health threat, (2) perception of personal vulnerability to heat, (3) role of heat warnings and heat alert and response systems in initiating heat mitigating practices, and (4) opinions of community preparedness among heat-vulnerable older adults, as well as explore factors that may influence these concepts. DESIGN: Cross-sectional survey. SETTING: Canada. PARTICIPANTS: Individuals aged 50 years or older. MAIN OUTCOME MEASURES: The number of respondents and percentage of the total sample were calculated based on individual response rates to each question. To explore factors that may have influenced the respondents' understanding of heat health knowledge, awareness, and risk perception, a bootstrapped least absolute shrinkage and selection operator regression was conducted. RESULTS: 1027 respondents (69% female, median age: 68 years) from 10 provinces/territories. Most felt knowledgeable about heat stress (74%), but many indicated that greater effort is needed to increase public awareness of EHE (64%). Self-reported responsiveness to heat alerts was also high (88%) despite many respondents reporting a low level of self-perceived risk (66%) and characteristics of heat susceptibility (eg, age, comorbidities). CONCLUSIONS: In our sample of older Canadians, various factors influenced knowledge, perceived heat vulnerability, responsiveness to heat alerts, and perception of community preparedness. These findings can help inform public heat preparedness initiatives to ensure they align with the needs of older Canadians.
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 | 0,011 | 0,005 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».