Mapping risks of water injustice and perceptions of privatized drinking water in the United States: A mixed methods approach
Notice bibliographique
Résumé
About 2 million people in the United States do not have access to running water or indoor plumbing in their homes. In addition, 30 million more Americans live where water systems operate unsafely. More still could have access to clean and safe drinking water but cannot afford to pay for it. Water privatization has been proposed as both a solution to and an exacerbator of these challenges, but its potential consequences have not been investigated on a national scale. Data from the US Environmental Protection Agency's Safe Drinking Water Information System and the US Center for Disease Control's Environmental Justice Index were used to assess the spatial distribution of water injustice hotspots, water system violations, and water system ownership. These data were merged with a nationally representative survey of US residents that measured how people perceive their water across different water injustice indicators. Results indicated that water system violations were not randomly distributed across the United States and risks of exposure to water injustice appeared to cluster in certain locations as hotspots. Clusters of water system violations were spatially associated with private water system ownership. Hotspots of water injustice were more often surrounded by counties with low proportions of privately owned water systems than counties with high proportions. Results also suggested that individuals living in areas with higher water injustice perceived their water as lower quality and less reliable. Water system ownership moderated this relationship. Recommendations for policymakers are discussed, including how to build collaborative decision-making processes that account for both objective and subjective measures of water injustice.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».