The location of child cyclist versus motor vehicle collisions in an urban environment
Notice bibliographique
Résumé
Background Cycling is a popular activity for children. Cyclists are disproportionately represented in motor collisions, and these collisions are frequently severe. This analysis was conducted to determine the age-specific variation in location of cyclist versus motor vehicle collision in children ages 1–17 years, in Toronto, Canada in order to identify appropriate prevention strategies. Methods All police-reported cyclist-motor vehicle collisions involving children ages 1–17 between 1 January 2000 and 31 December 2005 were included. Age-specific ORs were calculated to compare differences in collision locations. Geographic Information System software was used to identify major versus neighbourhood roads. Results There were 1325 police-reported collisions involving child cyclists with the majority (57%) involving 13–17 year olds. Collision rates were consistently higher in teenagers compared to younger children. Children ages 9–12 had almost twice and children ages 13–17 almost four times greater odds of collision on major roads as compared with 5–8-year-old children. Children ages 9–12 had a three times and children ages 13–17 had a four times greater odds of collisions at intersections (vs midblock) compared with 5–8-year-old children. Conclusions Younger children (ages 5–8) require more options for safe off-road cycling in their neighbourhoods as they generally are involved in collisions on smaller neighbourhood roads and in midblock locations. Older children (ages 9–17) require training in order to learn to safely negotiate intersections and vehicular traffic on larger roadways. It is essential to consider the age of children in order to plan successful strategies to encourage safe cycling.
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 | 0,000 | 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 | 0,000 | 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) | 0,000 | 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 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 ».