Optimizing the built environment for pedestrian safety in an ageing society: Toward an inclusive approach
Notice bibliographique
Résumé
With the longstanding overrepresentation of seniors in pedestrian injuries and fatalities, added to the prevalence of North-American ageing population, there is a sense of urgency for public health and transport planners to better understand the conditions surrounding senior injury risk. However, planners and practitioners are still challenged by a North-American built environment often optimized for vehicles rather than active and ageing road users. Researchers, on the other hand, still do not fully understand the nuances between younger and older injury factors, and particularly the effect of senior pedestrian exposure on their injury risk. \nThe primary research question in this thesis seeks to determine if senior injury factors at signalized intersections differ from those of the younger and to what extent? In a secondary fashion, this thesis explores the definition of an optimal built environment for pedestrian safety in an ageing society. In addition, it explores determining whether or not subpopulation models are more inclusive. Chapter 4 presents an injury regression analysis comparing 479 younger and 107 older pedestrian injuries that occurred at 191 signalized intersections in Montreal, a study deemed “practice ready” that was presented at the 2015 Transportation Research Board (TRB) annual meeting. \nAmong other results, the center median refuge was found to reduce injury probability in seniors by 70%, implying that it has the potential to be a strong countermeasure in an ageing society. Results of this research revealed nuances between younger and older injury factors, and suggest that the optimal built environment for pedestrian safety of an older society may indeed differ from one optimized for the younger. In addition to being more inclusive, findings suggest that without subpopulation models, safety or health performance indicators of senior pedestrians may be overlooked.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».