MétaCan
Menu
Retour à la cohorte
Enregistrement W7128517292 · doi:10.64903/1480-6800.23.2.136

Public Knowledge Regarding E-Waste Recycling in Kuala Lumpur, Malaysia

2020· article· W7128517292 sur OpenAlexvenueno aff
Amirah Sariyati Mohd Yahya, Tengku Adeline Adura Tengku Hamzah, Aziz Shafie

Notice bibliographique

RevueArab world geographer · 2020
Typearticle
Langue
DomaineEnvironmental Science
ThématiqueRecycling and Waste Management Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésKnowledge baseStakeholderOrder (exchange)Key (lock)Action (physics)Traditional knowledgeCapital citySustainable developmentCapital (architecture)

Résumé

récupéré en direct d'OpenAlex

E-waste is one of the major global environmental issues, defined as electrical and electronic appliances that are no longer used or eventually break down and are discarded. Generation of E-waste over time has become a red alarm as it can impact the environment and human health negatively. One key approach towards sustainable management of E-waste is through E-waste recycling, where the base of action is with the public itself. In order to create the necessary awareness of the problem, and to design and implement such sustainable practices, knowledge is one of the key elements that can assist in minimizing the deleterious effects of such global environmental issues. This cross-sectional study was conducted among 543 respondents in Kuala Lumpur, the capital city of Malaysia, and aimed to determine knowledge levels in the broader public regarding E-waste recycling, based on the demographic background of the respondents. Five out of eight demographic variables with the p-value of <.05, are namely: gender, age, marital status, occupation and residential type. It means relevant stakeholder such as governmental authorities, NGOs and private sectors also play important roles in providing the public with knowledge related to E-waste recycling. Knowledge can be delivered through different channels of information sources based on the suitability of the receiver, in connection with their demographic background.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,670
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,006
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,036
Tête enseignante GPT0,253
Écart entre enseignants0,217 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArab world geographerMême sujetRecycling and Waste Management TechniquesTravaux en français237 207