Factors associated with incorrect bicycle helmet use
Notice bibliographique
Résumé
BACKGROUND: Incorrect bicycle helmet use increases head injury risk. OBJECTIVE: To evaluate the patterns of incorrect helmet use based on unobtrusive field observations. METHODS: Two observational surveys conducted in Alberta in 2000 and 2006 captured information on cyclist characteristics, including correct helmet use. Prevalence of correct helmet use was compared across multiple factors: age, gender, riding companionship, and environmental factors such as riding location, neighbourhood median family income, and region. Poisson regression analysis was used to relate predictor variables to the prevalence of incorrect helmet use, adjusting for clustering by site of observation. RESULTS: Among helmeted cyclists (n=5862), 15.3% were wearing their helmet incorrectly or were using a non-bicycle helmet. Children (53%) and adults (51%) tended to wear their helmet too far back, while adolescents tended not have their straps fastened (48%). Incorrect helmet use declined approximately 50% over the study period for children and adolescents, but 76% (95% CI 68% to 82%) in adults. Children were 1.8 times more likely to use their helmets incorrectly in 2000 compared with adults, but this effect increased to 3.9 (95% CI 2.9 to 5.4) in 2006. Adolescents were more likely to use their helmets incorrectly in 2006 compared with adults (prevalence ratio 2.76; 95% CI 1.9 to 4.02). Children and adolescents cycling alone, compared with adults cycling alone, cycling at non-school sites and cycling in Edmonton, was associated with incorrect helmet use. CONCLUSIONS: Important factors not previously identified were associated with incorrect bicycle helmet use. This information can be used to target interventions to increase correct use.
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 | 0,001 |
| 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 ».