ADAPTING STAKEHOLDER WALKABILITY/WHEELABILITY AUDIT TOOL IN NEIGHBORHOOD FOR SENSORY AND COGNITIVE DISABILITIES
Notice bibliographique
Résumé
Abstract Neighbourhood accessibility influences health, social inclusion, and overall wellbeing of older adults. It is important to assess neighbourhood accessibility in relation to the diverse needs and challenges brought on by the intersection of aging and disability, particularly sensory and cognitive disabilities. Given the paucity of neighbourhood audit tools tailored for this population, The user-led Stakeholders’ Walkability/Wheelability Audit in Neighbourhoods (SWAN) tool was originally created for people with mobility disabilities and is now being adapted for seniors with sensory and cognitive disabilities to evaluate functionality, safety, appearance, supportive features, and social aspects in their neighbourhoods. In this paper, we present highlights and key takeaways from the process of adapting the SWAN tool for three user groups: people living with 1) Blindness or low vision, 2) Deafness and hearing loss, and 3) Dementia. Key steps in the iterative tool adaptation process include 1) identifying access needs/challenges for the three user groups based on a literature review, 2) online consultation with stakeholders with lived and/or professional experience (N = 4) to prioritize key access needs/challenges that will be captured through the SWAN tool and review draft versions of the tool, and 3) in-person pilot testing of tools with persons with lived experience (N = 2) in two urban/suburban neighbourhoods in British Columbia, Canada. Reflections of team members and input from stakeholders and pilot participants revealed issues that were addressed in tool development, namely 1) length of audit and participant fatigue, 2) legibility of tool, and 3) tailoring audit to participants’ context and needs.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».