Development of a Method for Evaluating Social Distancing Situations on Urban Streets during a Pandemic
Notice bibliographique
Résumé
In the New Normal era of “Living with COVID-19”, we need a measure of the safety of street spaces. Social distancing during a pandemic is considered an effective safety measure, but the current binary threshold approach to social distancing is clearly inadequate for evaluating and monitoring the risk of infection on urban streets. This study is to propose a social distancing indicator that can quantitatively evaluate the level of exposure to viral infection for pedestrians using urban streets during a pandemic, and to develop a statistical model to estimate the proposed indicator from simulations of pedestrian activity on urban streets. We assumed that the risk of infection on urban streets has a direct relationship with distance between pedestrians. The social distancing indicator was based largely on the findings of past studies. We developed a statistical model to relate the proposed indicator to three other explanatory variables: pedestrian density, clumpiness, and directional heterogeneity. We used pedestrian simulation to generate the raw data for these explanatory variables. The social distancing indicator demonstrated a statistically significant relationship with input variables and can be used to evaluate pedestrians’ social distancing on urban streets. We measured the relationship between different levels of pedestrian density, clumpiness, and directional heterogeneity and related the results to the potential level of exposure to viral infection. Health agencies can use the findings to develop appropriate policies for monitoring and improving the social distance between pedestrians on urban streets during a pandemic.
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 | 0,001 | 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) | 0,000 | 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 ».