Emergency egress for the elderly in care home fire situations
Notice bibliographique
Résumé
Summary Practitioners are continuing to develop egress modelling software for the design of the built environment. These models require data about human behaviour and factors for calibration, validation and verification. This study aims to address the specific data and knowledge gap: emergency egress of the elderly. Such data are difficult to collect given privacy and consent concerns, with strong relationships generally being required between residences and researchers. Through the observation of nine fire drills at six Canadian long‐term care (LTC) and retirement homes, specific evacuation actions and behaviour were observed for 37 staff members and information about the evacuation of 56 residents was collected. These drills demonstrated that emergency egress in LTC and retirement homes is highly staff dependent with 72% of residents recorded requiring full assistance at all stages of movement in evacuation, and that the type of announced/unannounced drill and level of resident care will affect the type of data collected. The development of travel speed and pre‐movement is discussed subject to limitation with qualitative behavioural insights of residents that were observed. This study provides valuable methodological discussion on how to conduct behavioural studies in similar highly restricted research environments. Specific attention is given to understanding the considerations that must be made when using fire drills as data sources, and the impact that these can have on using such data for modelling. This study may inform the initial setup and programming of evacuation models from an actions and behavioural perspectives of staff members and residents.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».