Supplementary Data for "Incorporating Community Knowledge into Analysis of Air Quality Monitoring Network Data"
Notice bibliographique
Résumé
These are the underlying data sets needed to perform the peak analysis and create the land-use regression (LUR) models described in the paper. There are four datasets: "RAMP_Location.csv": Locations and IDs of the low-cost sensors used in this work. [NOTE: latitudes and longitudes for the sensor deployments have been intentionally rounded to protect the location of volunteer sensor hosts.] "RAMP_data.zip": This contains the csv files of calibrated PM2.5, NO, NO2, CO and O3 measurements for the entire study period across all low-cost sensor sites. "Vancouver_Population_Density_2016.zip": Shapefile of the population within each Dissemination Area from the 2016 Canadian Census. This information was originally extracted from the Canadian Census Analyser supported by the University of Toronto. "smell_van_data.csv": Contains the locations, date, and description of odor reports during the monitoring period from the Smell Vancouver website (https://smell-vancouver.ca) There is also sample code in Python to perform the peak analysis and create the LURs. [NOTE: we have intentionally excluded uploading the exact data sets imported by this code; our original data contains exact locations of sensor host volunteers and thus cannot be shared.] "Peak_analysis_geohealth.py": A Python script to perform the peak analysis from the paper. "LUR_strathcona_geohealth.py": A Python script to create the LURs and maps of LUR results from the paper. Links to other data used in the code from publicly available sources: Railway locations - https://opendata.vancouver.ca/explore/dataset/railways/information/ Public streets - https://opendata.vancouver.ca/explore/dataset/public-streets/information/ Land use - https://open-data-portal-metrovancouver.hub.arcgis.com/datasets/metrovancouver::landuse-2016-code-description/about Bus stops - https://abacus.library.ubc.ca/dataset.xhtml?persistentId=hdl:11272.1/AB2/QQLSCJ Block outlines - https://opendata.vancouver.ca/explore/dataset/block-outlines/information/
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».