MétaCan
Menu
Retour à la cohorte
Enregistrement W6964203304 · doi:10.25810/rsjx-mn97

A Benefit-Cost Analysis of Impact-Resistant Asphalt Shingle Roofing--Overview

2022· article· en· W6964203304 sur OpenAlexaboutno aff

Notice bibliographique

RevueCU Scholar (University of Colorado Boulder) · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEarthquake and Disaster Impact Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNucleofectionGestational periodLiquationTSG101Fusible alloyProteogenomicsHyporeflexiaArticular cartilage damage

Résumé

récupéré en direct d'OpenAlex

The Institute for Catastrophic Loss Reduction creates and disseminates disaster resilience knowledge for Canada. Among the catastrophes ICLR addresses are hailstorms, one of Canada’s most serious natural hazards. Hail costs $400 million annually. A June 2020 hailstorm at the edge of Calgary damaged 77,000 homes and cost $1.4 billion. Much of that money paid for roof repairs. A direct hit on Calgary could be 5 to 10 times worse. Though the hailstorm is inevitable, the catastrophe is not. This document summarizes a study of one way that homeowners and insurers can prevent costly hail damage: by using impact-resistant asphalt shingle roofs instead of standard shingles. Impact-resistant roof shingles look like ordinary shingles, but have material that makes them resistant to hail damage. When struck by large hailstones, they resist pits and fractures that would otherwise allow water to pool or penetrate beneath them. And they resist cosmetic damage like the loss of granules: the specks that cover the shingle surface.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,221
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0010,000
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 Opus0,046
Tête enseignante GPT0,315
Écart entre enseignants0,269 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCU Scholar (University of Colorado Boulder)Même sujetEarthquake and Disaster Impact StudiesTravaux en français237 207