Off‐Road Vehicle Ridership and Associated Helmet Use in Canadian Youth: An Equity Analysis
Notice bibliographique
Résumé
PURPOSE: In North America, the use of off-road vehicles by young people is increasing, as are related injuries and fatalities. We examined the prevalence of off-road ridership and off-road helmet use in different subgroups of Canadian youth in order to better understand possible inequities associated with these health risk behaviors. METHODS: Data came from Cycle 6 (2009-2010) of the WHO Health Behavior in School-Aged Children Study (HBSC). Participants (n = 26,078) were young people from grades 6-10 in 436 Canadian schools. Students were asked, for a 12-mo recall period, how frequently they rode off-road vehicles and how often they wore a helmet while riding. Engagement in off-road ridership and helmet use were estimated by age group, gender, urban-rural geographic location, socioeconomic status, and how long participants had lived in Canada. FINDINGS: About half of the sample reported riding off-road vehicles (12,750; 52%). Among riders, 5,691 (45%) always wore helmets. Riders were more often older students, male and born in Canada. Students in rural areas and small towns were much more likely to ride off-road vehicles than their urban peers (RR, 95% CI: 1.28 [1.23-1.33]). Helmet use was less common among females, new immigrants, older students, and those in lower socioeconomic groups. There was little reported difference in helmet use by urban-rural location. CONCLUSIONS: Risks associated with the use of off-road vehicles and with nonhelmet use are not equitably distributed across Canadian youth. Factors characterizing off-road ridership (notably urban-rural location) are distinct from factors for helmet use. Preventive interventions should target population subgroups.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 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 ».