Decoding spatiotemporal dynamics of post-consumer textile waste generation and management using ternary plots
Notice bibliographique
Résumé
This study aims to understand the post-consumer textile waste (PCTW) management dynamics of a southeastern US state from 2014 to 2022 using time-series ternary diagrams. Multiple linear regression models were developed to assess the impact of various factors on PCTW generation and management practices. During the period, the study revealed a 33% increase in PCTW generation, averaging 40 kg per capita in 2022, with significant variability influenced by demographic and socioeconomic factors. A shift towards PCTW recycling and reuse across regional levels are observed, probably due to advanced waste sorting systems and improved recycling program accessibility. Population density, land area, household structure, and education were significant predictors for the predictive models (p < 0.05, and 0.39 < R 2 < 0.97) of PCTW generation, landfilling, recycling, and reuse. Recycling was preferred over landfilling more often by individuals with higher education levels, with the lowest disposal rate at 27%. Smaller household sizes favored reuse and donation, underscoring the need for custom PCTW management strategies. Higher recycling rates, reaching up to 74.2% are found in households with fewer females, and in areas with less employers. The proposed visualization framework helps to facilitate development of evidence-based waste policies for a sustainable PCTW management in diverse regional contexts.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».