Integrating Health into Transportation Planning: A Tiered Framework for Local Governments
Notice bibliographique
Résumé
Integrating health into transportation planning is a challenge for many local governments. One of the reasons is the lack of knowledge about and access to data collected in the health and transportation sectors that can be used to inform decision-making. Some local governments are quite advanced in their active transportation data collection and use whereas others are at the very early stages. This results in differences in next steps for integrating health considerations. Using the Greater Vancouver area as an example, the authors designed a framework that consists of three stages along a continuum of ‘readiness’ and tailored steps to integrate health into transportation planning. Each tier describes the extent to which data are currently collected at the local level, and is connected with the data needs, promising practices on how to obtain those data and tier-specific recommendations for next steps. For example, local governments at tier 1 typically collect limited or no data on (active) transportation, are interested in having better transportation data and would likely benefit from existing methodology to collect these data in a standardized format. Tier 2 local governments collect some active transportation data and use some health data sources available, such as traffic injury databases. Tier 3 municipalities collect large amounts of active transportation data and are interested in assessing the longer term health impacts of transportation decisions that go beyond injury prevention. This tiered framework is a practice-ready tool that can facilitate municipal and regional planners and engineers in moving forward with integrating health into transportation
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 | 0,056 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,007 | 0,013 |
| Communication savante | 0,023 | 0,015 |
| Science ouverte | 0,008 | 0,016 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».