MétaCan
Menu
Retour à la cohorte
Enregistrement W4413958166 · doi:10.70176/3007-973x.1039

The Physiological Impacts of Nano-Ceramic Window Films in Hot-Climate Architecture: Theoretical Biological Study

2025· article· en· W4413958166 sur OpenAlexaff
Lina M. Shaker, Shahab Abdulla, Ralela Makline

Notice bibliographique

RevueAUIQ complementary biological system. · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Heat Island Mitigation
Établissements canadiensUniversity of Prince Edward Island
Organismes subventionnairesnon disponible
Mots-clésWindow (computing)CeramicNano-NanotechnologyClimate changeArchitectureEnvironmental scienceWindow of opportunityMaterials scienceEngineeringEcologyComputer scienceGeographyBiologyAerospace engineeringComposite materialArchaeology

Résumé

récupéré en direct d'OpenAlex

This research explores the integration of nano-ceramic window films as a passive architectural strategy to improve both energy performance and occupant biological well-being in commercial buildings. The biological objective centers on enhancing health, comfort, and physiological stability by regulating thermal, optical, and radiative indoor conditions. Simulations on a three-story, 2,000 m² building demonstrated that high-performance films reduced indoor temperatures by up to 3.5°C, lowering thermal stress and core body heat load. Ultraviolet (UV) transmission was curtailed to as low as 1%, significantly decreasing skin damage doses below 0.2 MED/day. Select films maintained optimal Equivalent Melanopic Lux (EML) levels (up to 7,500 lux), supporting circadian regulation and cognitive function. Cognitive performance was further enhanced through improved thermal comfort and daylight modulation. These outcomes affirm the potential of nano-ceramic glazing to deliver a biologically informed, energy-efficient solution, aligning architectural design with thermoregulatory, dermatological, and neurobehavioral health requirements.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,018
Tête enseignante GPT0,257
Écart entre enseignants0,240 · 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'étudeThéorique ou conceptuel
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAUIQ complementary biological system.Même sujetUrban Heat Island MitigationTravaux en français237 207