Notice bibliographique
Résumé
In 2007, the World Health Organization (WHO) launched their Age-Friendly Cities (AFCs) program in response to the global trend towards aging populations and increasing urbanization (WHO, 2007). The WHO anticipates that by 2050, approximately 22% of the global population will be over the age of 60 with the majority residing in sub/urban areas (WHO, 2007). In the Canadian context, one in four residents will be 65 years or older by 2036 with well over 70% residing in (sub)urban communities (PHAC, 2011). Moreover, the intensity of older adults will be most acutely felt in small and mid-sized cities where the mean older adult dependency ratio will grow by 103% and 90% respectfully by 2036 (Hartt and Biglieri, 2018). Given the certainty of demographic change and the heterogeneity of the older adult population (Garvin et al, 2012; Stafford and Baldwin, 2018), there is a time sensitive need to understand how to support older adults who desire to age in place – that is, to live safely and independently in their existing communities (WHO, 2007). Since the beginning of the twenty-first century, there has been a renaissance of academic literature linking built environments and human health in order to address the rising rates of chronic diseases, a warming climate, loss of green space to urban sprawl, and automobile dependency (Frank et al, 2003, 2006). Geographers and planners have played an important role in acknowledging the importance of local built environments to population health and wellbeing throughout the life course (Laws, 1993; Frank et al, 2006; Andrews et al, 2007; Gilroy, 2008; Cutchin, 2009; Garvin et al, 2012; Kerr et al, 2012).
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».