Qualitative Field Observation of Pedestrian Injury Hotspots: A Mixed-Methods Approach for Developing Built- and Socioeconomic-Environmental Risk Signatures
Notice bibliographique
Résumé
Road traffic injuries constitute a significant global health burden; the World Health Organization estimates that they result in 1.35 million deaths annually. While most pedestrian injury studies rely predominantly on statistical modelling, this paper argues for a mixed-methods approach combining spatial analysis, environmental scans, and local knowledge for assessing environmental risk factors. Using data from the Nova Scotia Trauma Registry, severe pedestrian injury cases and ten corresponding hotspots were mapped across the Halifax Regional Municipality. Using qualitative observation, quantitative environmental scans, and a socioeconomic deprivation index, we assessed hotspots over three years to identify key social- and built-environmental correlates. Injuries occurred in a range of settings; however, clear patterns were not observed based on land use, age, or socio-economic status (SES) alone. Three hotspots revealed an association between elevated pedestrian injury and a pattern of geographic, environmental, and socio-economic factors: low- to middle-SES housing separated from a roadside attraction by several lanes of traffic, and blind hills/bends. An additional generalized scenario was constructed representing common risk factors across all hotspots. This study is unique in that it moves beyond individual measures (e.g., statistical, environmental scans, or geographic information systems (GIS) mapping) to combine all three methods toward identifying environmental features associated with pedestrian motor vehicle crashes (PMVC).
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 | 0,039 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».