MétaCan
Menu
Retour à la cohorte
Enregistrement W2156532068 · doi:10.3141/2327-02

Safety and School Travel

2013· article· en· W2156532068 sur OpenAlexaff
Kristian Larsen, Ron Buliung, Guy Faulkner

Notice bibliographique

RevueTransportation Research Record Journal of the Transportation Research Board · 2013
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrban Transport and Accessibility
Établissements canadiensGeneral Electric (Canada)University of Toronto
Organismes subventionnairesnon disponible
Mots-clésTransport engineeringPedestrianMode choiceLogistic regressionPerceptionTravel behaviorPsychologyApplied psychologyGeographyEngineeringPublic transportStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

This study examines the relationship between safety, the built environment, and the mode of travel to and from school. The paper contributes to the literature by analyzing the actual route traveled through the use of objective traffic data within school neighborhoods. Parents and children completed a survey and mapping exercise to obtain travel routes to and from school, a methodological improvement over network shortest-path analysis. Manual traffic counts around the sampled schools (n = 17) were conducted. Logistic regression analysis confirmed a priori expectations about the effects of distance, gender, and the number of vehicles per licensed driver. New insights into safety were produced through inclusion of objective metrics designed to explore the safety of the pedestrian environment. A higher number of vehicles, a higher number of crossing streets, incomplete sidewalk networks, and the presence of parking facilities emerged as potentially important transport supply-, design-, and safety-related factors. If children perceived their neighborhood to be a safe area in which to walk alone, they were also more likely to walk. For parents, the perception that strangers were present and the presence of busy streets influenced the mode of travel. Different effects were produced across separately estimated home-to-school and school-to-home models.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0170,001

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.

Tête enseignante Opus0,080
Tête enseignante GPT0,401
Écart entre enseignants0,321 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransportation Research Record Journal of the Transportation Research BoardMême sujetUrban Transport and AccessibilityTravaux en français237 207