Housing safety and health academic and public opinion mining from 1945 to 2021: PRISMA, cluster analysis, and natural language processing approaches
Notice bibliographique
Résumé
Housing safety and health problems threaten owners' and occupiers' safety and health. Nevertheless, there is no systematic review on this topic to the best of our knowledge. This study compared the academic and public opinions on housing safety and health and reviewed 982 research articles and 3,173 author works on housing safety and health published in the Web of Science Core Collection. PRISMA was used to filter the data, and natural language processing (NLP) was used to analyze emotions of the abstracts. Only 16 housing safety and health articles existed worldwide before 1998 but increased afterward. U.S. scholars published most research articles (30.76%). All top 10 most productive countries were developed countries, except China, which ranked second (16.01%). Only 25.9% of institutions have inter-institutional cooperation, and collaborators from the same institution produce most work. This study found that most abstracts were positive (n = 521), but abstracts with negative emotions attracted more citations. Despite many industries moving toward AI, housing safety and health research are exceptions as per articles published and Tweets. On the other hand, this study reviewed 8,257 Tweets to compare the focus of the public to academia. There were substantially more housing/residential safety (n = 8198) Tweets than housing health Tweets (n = 59), which is the opposite of academic research. Most Tweets about housing/residential safety were from the United Kingdom or Canada, while housing health hazards were from India. The main concern about housing safety per Twitter includes finance, people, and threats to housing safety. By contrast, people mainly concerned about costs of housing health issues, COVID, and air quality. In addition, most housing safety Tweets were neutral but positive dominated residential safety and health Tweets.
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 | 0,020 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,021 | 0,023 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».