MétaCan
Menu
Retour à la cohorte
Enregistrement W4408423668 · doi:10.1126/sciadv.adq9869

Assessing <i>E. coli</i> levels in surface soils of informal settlements using boot sock and standard grab methods

2025· article· en· W4408423668 sur OpenAlexaff
Lamiya Bata, Rebekah Henry, Fiona Barker, John D. Boyce, Fiona Lynch, Silvia Rosovoa Vilsoni, Autiko Tela, Revoni Vamosi, Ruzka R. Taruc, Andi Zulkifli, Maghfira Saifuddaolah, Zainal Handis, David McCarthy, Karin Leder

Notice bibliographique

RevueScience Advances · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFecal contamination and water quality
Établissements canadiensUniversity of Guelph
Organismes subventionnairesWellcome Trust
Mots-clésReplicateSampling (signal processing)SanitationEnvironmental scienceHuman settlementUrbanizationComputer scienceEnvironmental engineeringEcologyStatisticsBiologyEngineeringTelecommunicationsMathematicsWaste management

Résumé

récupéré en direct d'OpenAlex

Rapid urbanization leads to the growth of informal settlements, where inadequate sanitation infrastructure is common, thus promoting environmental contamination and risk of gastrointestinal infection. Soil contamination contributes to the transmission of enteropathogens, but traditional sampling approaches may poorly indicate public health risks due to limited spatial representation. This study compares traditional grab sampling of soil with a boot sock method, a composite technique designed to better reflect human-pathogen interactions. The boot sock method provided more sensitive detection of E. coli and lower inter-replicate variation compared to grab samples. Post hoc power analyses indicated that the boot sock technique required fewer samples to achieve adequate spatial representation across a sampling area than grab samples, potentially improving time and cost efficiency in pathogen exposure risk estimation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,416
Écart entre enseignants0,368 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetFecal contamination and water qualityTravaux en français237 207