MétaCan
Menu
Retour à la cohorte
Enregistrement W2604540260 · doi:10.1017/s071498081700006x

Snow and Rain Modify Neighbourhood Walkability for Older Adults

2017· article· fr· W2604540260 sur OpenAlexafffundabout
Philippa Clarke, Jana A. Hirsch, Robert Melendez, Meghan Winters, Joanie Sims‐Gould, Maureen C. Ashe, Sarah Furst, Heather McKay

Notice bibliographique

RevueCanadian Journal on Aging / La Revue canadienne du vieillissement · 2017
Typearticle
Languefr
DomaineSocial Sciences
ThématiqueUrban Transport and Accessibility
Établissements canadiensHealth Sciences CentreUniversity of British ColumbiaBritish Columbia Centre of Excellence for Women's HealthSimon Fraser University
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentCanadian Institutes of Health Research
Mots-clésWalkabilityNeighbourhood (mathematics)SnowGeographyDestinationsPhysical geographyBuilt environmentMeteorologyEngineeringTourismCivil engineering

Résumé

récupéré en direct d'OpenAlex

RÉSUMÉ La littérature a documenté une relation positive entre la mobilité à l’extérieur chez les personnes âgées et les environnements bâtisables et marchables. Cependant, étonnamment, toute considération de la façon dont le temps modifie l’accessibilité piétonnière à travers les quartiers est absente. À Vancouver, au Canada, on a utilisé des données météorologiques archivées liées à des données recueillies auprès d’un échantillon d’aînés. On a constaté que, lorsqu’il neige, les quartiers où l’on dépend d’automobiles (comportant des blocs plus longs, moins d’intersections et une plus grande distance aux commodités) sont devenus inaccessibles. Même les adultes plus âgés qui vivaient dans les quartiers qui étaient très bien adaptés au traffic pietonnier marchait à 25 pour cent moins de destinations pendant la neige. Il est essentiel de tenir compte de l’impact des conditions météorologiques dans la relation entre la marchabilité des quartiers et la mobilité des personnes âgées.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,601
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0050,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,253
Écart entre enseignants0,238 · 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 tête enseignante, pas un consensus.

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

Citations50
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal on Aging / La Revue canadienne du vieillissementMême sujetUrban Transport and AccessibilityTravaux en français237 207