Healthy Neighborhoods: Walkability and Air Pollution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The built environment may influence health in part through the promotion of physical activity and exposure to pollution. To date, no studies have explored interactions between neighborhood walkability and air pollution exposure. METHODS: We estimated concentrations of nitric oxide (NO), a marker for direct vehicle emissions), and ozone (O(3)) and a neighborhood walkability score, for 49,702 (89% of total) postal codes in Vancouver, British Columbia, Canada. NO concentrations were estimated from a land-use regression model, O(3) was estimated from ambient monitoring data; walkability was calculated based on geographic attributes such as land-use mix, street connectivity, and residential density. RESULTS: All three attributes exhibit an urban-rural gradient, with high walkability and NO concentrations, and low O(3) concentrations, near the city center. Lower-income areas tend to have higher NO concentrations and walkability and lower O(3) concentrations. Higher-income areas tend to have lower pollution (NO and O(3)). "Sweet-spot" neighborhoods (low pollution, high walkability) are generally located near but not at the city center and are almost exclusively higher income. POLICY IMPLICATIONS: Increased concentration of activities in urban settings yields both health costs and benefits. Our research identifies neighborhoods that do especially well (and especially poorly) for walkability and air pollution exposure. Work is needed to ensure that the poor do not bear an undue burden of urban air pollution and that neighborhoods designed for walking, bicycling, or mass transit do not adversely affect resident's exposure to air pollution. Analyses presented here could be replicated in other cities and tracked over time to better understand interactions among neighborhood walkability, air pollution exposure, and income level.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle