Neighborhood walkability and air pollution exposure
Notice bibliographique
Résumé
Background: Residing in high-walkability neighborhoods may be associated with health benefits (increased physical activity) and risks (exposure to traffic-related air pollution). More research is needed to characterize the overall health impacts of residence in high- and low-walkability neighborhoods. Aim: To explore how ambient air pollution in the US differs by level of neighborhood walkability. Methods: We obtained year-2010 ambient monitor data for PM2.5, NOx, and O3 for all available EPA monitors. A walkability score was assigned to each monitor from a publicly available database. We used regression analysis to estimate the relationship between ambient air pollution concentrations and walkability while controlling for city-specific background air pollution concentrations. We used cities with 5 or more monitors to estimate air pollution concentrations for midpoint walkscores in high- and low-walkability neighborhoods. We then use health risk calculations to estimate the health impacts of residence in high- and low-walkability neighborhoods (i.e., incorporating both physical [in]activity and exposure to air pollution). Results: Air pollution concentrations differed between high- and low-walkability neighborhoods, with higher concentrations in high- vs. low-walkability neighborhoods for PM2.5, (8.2 vs. 7.7 µg/m3) and NOx (24.5 vs. 13.7 ppb), and with the reverse trend for O3 (50.1 ppb in high- vs. 51.2 ppb in low-walkability neighborhoods). Conclusions: Health risks from air pollution may be important when planning for compact, walkable urban areas.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».