Incorporating Community Knowledge Into Analysis of Air Quality Monitoring Network Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract We conducted a pilot study to explore methods of incorporating qualitative community knowledge into quantitative assessment of temporal and spatial air quality patterns in a neighborhood in Vancouver, British Columbia. We deployed a low‐cost sensor network measuring NO, NO 2 , and PM 2.5 . We used a variety of sources of community knowledge to complement a timeseries analysis and spatial model: a survey by the residents' association; odor reports from a citizen science project; and data from a community mapping event. Community knowledge highlighted, among other sources, areas where cars and heavy‐duty vehicles idle, locations of construction, and locations of wood stoves. When creating a “traditional” land use regression (LUR) using easily accessible, and publicly available data sources, and a “community” LUR that uses community‐reported air pollution sources, model fit was improved in the community LURs for NO 2 and NO x . This suggests that community knowledge can provide insight into sources that are not well captured in commonly used, publicly available data sets due to their transient and informal nature. Not all community‐reported short‐term events corresponded to peaks in monitor data, which could reflect that reports were more correlated with unmeasured pollutants. We suggest that future studies collecting community knowledge on short‐term pollution events through community mapping lower barriers to participation (i.e., through hosting a series of drop‐in events, providing childcare, or timing any event to coincide with neighborhood‐wide events). With these examples, we showcased ways to include community knowledge in quantitative air pollution studies and highlight opportunities to expand on these methods.
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.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle