ALF-Score+ - Personalization of a Predictive Network-Based Walkability Scoring System
Notice bibliographique
Résumé
Measuring environments around us (cities, roads, social environments) is crucial to understand human behaviour and help predict how aspects of environment influence behaviour and health. Walkability is one measure of environment used to predict health. Walkability combines aspects of environment (population, roads, amenities) into a single score. Existing measures are often one-size-fits-all with very limited personalization. In our previous work, we defined Active Living Feature Score, ALF-Score, a novel approach to measure network-based walkability. ALF-Score uses road network structures and points of interest to generate models capable of estimating walkability for any point on map. One of ALF-Score's contributions was the inclusion of user opinions to partially address the different perception among individuals and help derive a more personalized walkability score. Here, we take this personalization much further by introducing ALF-Score+ which uses individual user demographics (age, gender, ...) grouped using k-means and t-distributed stochastic neighbor embedding to create clusters based on individuals’ demographic characteristics. Each cluster is treated as a single profile representing a subset of users. Cluster profiles are added into our pipelines to generate profile-specific network-based walkability models. Results show strong variability among scores generated for each cluster profile with a clear variation in walkability generated for different users within same clusters. ALF-Score+ maintains an accuracy of 90.48% on average showing improvement compared to ALF-Score. We found strong association between cluster profiles' demographics and their scores. ALF-Score+ shows promising results providing personalized walkability based on cluster profiles, instead of a one-size-fits-all approach used by other walkability measures.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».