Building and occupant characteristics as predictors of temperature-related health hazards in American homes
Notice bibliographique
Résumé
• Extreme temp. exposure often happens at home, but role of buildings is unclear • We built machine learning models to predict temperature-related illness in US homes • Compared model performance with different variables from US household survey data • Including building-related variables improves model accuracy, recall, and precision • Results aid public health planning to mitigate temperature-related health hazards Many cities and regions are making significant investments towards planning for extreme temperature and in particular extreme heat. A heat vulnerability index (HVI) is a metric to track spatial variation in extreme temperature risk to target mitigation interventions. Most HVIs focus on demographic characteristics, which generally relate to vulnerability, and lack information about the building stock, which mediate the occupant's exposure to extreme temperatures. In this study, we use the Energy Information Administration's (EIA) Residential Energy Consumption Survey (RECS) to estimate prevalence of temperature-related illness in the United States and develop machine learning models using climate, demographic, and building characteristics to predict them. Temperature-related illness affects approximately 2 million households annually, around 1% of the total population. The models we developed predict temperature-related illness with up to 85% accuracy. The most important feature is energy insecurity, which describes the household's ability to maintain and operate heating, ventilation, and air conditioning (HVAC) systems. Our results offer guidance for municipalities to improve data collection, enabling them to better identify at-risk households and strategize resources for short-term and long-term interventions.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».