Inferring Destinations and Activity Types of Older Adults From GPS Data: Algorithm Development and Validation (Preprint)
Notice bibliographique
Résumé
BACKGROUND Outdoor mobility is an important aspect of older adults’ functional status. GPS has been used to create indicators reflecting the spatiotemporal dimensions of outdoor mobility for applications in health and aging. However, outdoor mobility is a multidimensional construct. There is, as of yet, no classification algorithm that groups and characterizes older adults’ outdoor mobility based on its semantic aspects (ie, mobility intentions and motivations) by integrating geographic and domain knowledge. OBJECTIVE This study assesses the feasibility of using GPS to determine semantic dimensions of older adults’ outdoor mobility, including destinations and activity types. METHODS A total of 5 healthy individuals, aged 65 years or older, carried a GPS device when traveling outside their homes for 4 weeks. The participants were also given a travel diary to record details of all excursions from their homes, including date, time, and destination information. We first designed and implemented an algorithm to extract destinations and infer activity types (eg, food, shopping, and sport) from the GPS data. We then evaluated the performance of the GPS-derived destination and activity information against the traditional diary method. RESULTS Our results detected the stop locations of older adults from their GPS data with an F1 score of 87%. On average, the extracted home locations were within a 40.18-meter (SD 1.18) distance of the actual home locations. For the activity-inference algorithm, our results reached an F1 score of 86% for all participants, suggesting a reasonable accuracy against the travel diary recordings. Our results also suggest that the activity inference’s accuracy measure differed by neighborhood characteristics (ie, Walk Score). CONCLUSIONS We conclude that GPS technology is accurate for determining semantic dimensions of outdoor mobility. However, further improvements may be needed to develop a robust application of this system that can be adopted in clinical practice.
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 | 0,011 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».