Prevalence of bicycle helmet use among elementary school students in four Canadian cities
Notice bibliographique
Résumé
Introduction Bicycle-related injuries are an important cause of hospitalisation among Canadian children. There is variation in the nature and enforcement of bicycle helmet laws in Canada. The Canadian Injury Indicators Development Team was established to define and evaluate key indicators, including helmet use and bicycle helmet laws. Purpose To assess the prevalence of helmet use in elementary school aged children in four Canadian cities representing varied geographic and socioeconomic settings. Methods Observations were made at schools in Halifax, Toronto, Barrie and Vancouver. Schools were identified using school board websites and DMTI, a company that partners with universities to disseminate spatial data. Schools were classified into quintiles based on the after-tax income of their census tract (2006 census). Trained observers attended each site at the beginning of the school day in May/June 2009. Information on the sex, helmet use, correct helmet use and group riding were documented. Results 397 observations were made at 91 schools. The helmet use rate was 83% across the four cities. 68% of those riding bicycles were males and 47% of children rode in a group. Group influence on helmet use varied by province. The influence of socioeconomic status (SES) on helmet use also varied. Vancouver's poorest neighbourhoods had the most riders (42%), whereas Toronto had the most of riders in the richest neighbourhoods (39%). Conclusion There is variation in helmet use across Canadian cities generally, and by SES specifically. Helmet use rates were higher in the medium sized city (Barrie) compared to the other, larger cities.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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) | 0,001 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».