Leveraging built environment interventions to equitably promote health during and after COVID-19 in Toronto, Canada
Notice bibliographique
Résumé
A key public health response to the COVID-19 pandemic is the mandate to stay home and practice physical distancing. In Canada, with essential activities such as grocery shopping, outdoor exercise and transportation, people need to be able to safely navigate dense, urban spaces while staying at least two metres or six feet apart. This pandemic has exacerbated the health inequities across neighbourhoods in cities like Toronto, Canada which are often segregated along racial and income lines. These inequities impact who has access to urban infrastructure that promotes health and quality of life. Safety in a time of COVID-19 goes beyond just exposure to the virus, it is complicated by notions of who belongs where, and who has access to what resources. The built environment has a role in maintaining and promoting physical and mental health during this pandemic and beyond it. This paper puts forwards three considerations for built environment interventions to promote health equitably: (i) addressing structural determinants of health and embedding anti-racist intersectional principles, (ii) revisiting tactical urbanism as a health promotion tool and (iii) rethinking community engagement processes through equity-based placemaking. This paper outlines four built environment interventions in Toronto, Canada that seek to address the challenges in navigating urban space safely in the short term, including street design that prioritizes pedestrians, protected cycling infrastructure, access to inclusive green space and safe, affordable housing. Longer-term strategies to create health-promoting urban environments that are equitable are discussed and may be valuable to other cities with similar urban equity concerns.
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 | 0,001 | 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) | 0,003 | 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 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 ».