Association between neighbourhood socioeconomic features and residential fire incidence, related casualties and children: a cross-sectional population-based study in 4 Canadian provinces
Notice bibliographique
Résumé
BACKGROUND: This study assessed whether socioeconomic factors affect the rates of residential fire incidence and fire-related injuries and deaths, and whether children are affected differently than the general population. METHODS: We employed a cross-sectional study design using data for British Columbia, Alberta, Manitoba and Ontario from the National Fire Information Database, which includes fire incidents and losses reported by provincial fire marshals across Canada between 2005 and 2015. It also contains 2011 census subdivision social domain data from Statistics Canada based on fire location. Multivariable negative binomial regressions tested the significance of relations between census subdivision socioeconomic factors (average household size, educational attainment, median income and unemployment rate) and the rates of residential fires and casualties per person-year, and casualties per fire incident. RESULTS: Census subdivisions with higher educational attainment and unemployment rates had higher rates of residential fires (incidence rate ratio [IRR] 1.07, 95% confidence interval [CI] 1.05-1.10, and IRR 1.24, 95% CI 1.18-1.31, respectively) and of residential fire casualties per person-year (IRR 1.09, 95% CI 1.05-1.13, and IRR 1.29, 95% CI 1.20-1.40, respectively). Census subdivisions with smaller average households had higher rates of residential fire casualties per person-year (IRR 0.43, 95% CI 0.22-0.83) and per fire incident (IRR 0.75, 95% CI 0.58-0.97), and the association was even stronger for children (IRR 0.17, 95% CI 0.08-0.36, and IRR 0.41, 95% CI 0.20-0.86, respectively). INTERPRETATION: The results suggest that efforts to prevent residential fires should be prioritized in neighbourhoods with higher educational attainment and unemployment, whereas house fire safety programs should be intensified in neighbourhoods with smaller households to prevent fire casualties, especially among children, once a fire does occur.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».