Notice bibliographique
Résumé
BACKGROUND: Physical activity is an important determinant of health. Walking is the most common physical activity performed by adults and the presence of sidewalks along roads is a determinant of walking. Geographic information systems (GIS) can be used to measure sidewalks; however, GIS sidewalk data are difficult to access. The purpose of this study was to present a new GIS method for measuring the distance and coverage of sidewalks along roadways. METHODS: The new method contains three stages. Stage 1 involves calculating the distance of all road segments within the region of interest (e.g., neighborhood), extracting geospatial information on these road segments, and saving this information as a Google Earth file. This stage was performed in ArcGIS software. Stage 2 involves opening the extracted road segment geospatial data in Google Earth, visually examining road segments to see if they contain sidewalks, and deleting road segments without sidewalks. Stage 3 involves importing the modified road geospatial data into ArcGIS and calculating the length of road segments with sidewalks. The new method was tested in 315 sites across Canada. Each site consisted of a one km radius circular buffer surrounding a school. RESULTS: A detailed, step-by-step protocol is provided in the paper. The length of road segments with sidewalks in the testing sites ranged from 0.00 to 55.05 km (median 16.20 km). When expressed relative to the length of all road segments, the length of road segments with sidewalks ranged from 0% to 100% (median 53%). By comparison to urban testing sites, rural sites had shorter sidewalk lengths and a smaller proportion of the roads had sidewalk coverage. CONCLUSION: This study provides a new GIS protocol that researchers can use to measure the distance and coverage of sidewalks along roadways.
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 | 0,074 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».