Un atlas-web pour comparer l’exposition individuelle aux pollutions atmosphérique et sonore selon le mode de transport
Bibliographic record
Abstract
Les bénéfices individuels et collectifs de l’utilisation du vélo en milieu urbain sont aujourd’hui bien connus. Individuellement, elle contribue à une meilleure santé physique et mentale ; collectivement, elle réduit les coûts de santé, la congestion routière, les pollutions atmosphérique et sonore.Plusieurs études ont comparé récemment les niveaux d’exposition aux polluants atmosphériques et au bruit selon le mode de transport (automobile, vélo et transport en commun) dans plusieurs villes à travers le monde. À notre connaissance, les résultats de ces études n’ont jamais été diffusés sous forme d’application cartographique sur Internet. Cela favoriserait pourtant le transfert de connaissances tant auprès des planificateurs urbains que du grand public.Par conséquent, l’objectif de cet article est de proposer une méthodologie basée sur des logiciels et librairies gratuits pour déployer un atlas interactif sur Internet sur la comparaison de l’exposition individuelle aux pollutions atmosphérique et sonore à Montréal selon le mode de transport utilisé. Pour ce faire, la structuration des données primaires ainsi que l’architecture et les fonctionnalités de l’atlas sont largement discutées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".