Using crowdsourced data to assess the relationship between neighbourhood-level deprivation and the availability of inclusive leisure programmes in Canadian cities
Notice bibliographique
Résumé
Monitoring neighbourhood-level access to resources can inform improved urban health. Big data approaches have shown some promise in capturing access to spatial resources such as green spaces, housing, amongst others. However, it is often difficult to capture resources that are not spatially observable such as programmes. For this project, we linked data from a digital listing of inclusive leisure programmes to data on neighbourhood-level deprivation, to explore the relationship between both factors, and how to strengthen approaches for capturing access to health-promoting programmes. Using cross-sectional secondary data analysis, we linked information on material and social deprivation levels in three major census metropolitan areas of Canada to information on the availability of adaptive leisure programmes as listed on the Jooay App (www.jooay.com). Higher availability of inclusive leisure programmes was directly linked to higher social deprivation and inversely linked to higher material deprivation. Inclusive leisure programmes were more available for populations with physical and intellectual impairments and autism spectrum disorders, than sensory and behavioural challenges. Our study suggests potentially differing relationships between forms of deprivation and the availability of inclusive programs and a need for stronger consideration of disability diversity. We also note considerations for using big data to inform urban health.
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 | 0,005 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,015 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,002 | 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 ».