Instrumentation to Measure On-Road Cyclist Noise Exposure: Considerations for Study Design with Smartphones and Sound Level Meters
Notice bibliographique
Résumé
Cyclist noise exposure has implications for health, comfort, and safety. Methods used for in situ measurement of on-road noise levels for cyclists vary, and the effects of key study design factors have not been investigated. To enable reliable research into cyclist noise exposure, this study aims to determine the accuracy of smartphone noise measurements in comparison with a sound level meter (SLM) reference instrument, and how noise levels are affected by travel speed, air speed, sensor placement, and use of a windscreen. Field data were collected with paired instruments in a typical urban cycling scenario, and comparisons made varying one design factor at a time (smartphone versus SLM, with versus without windscreen, handlebar versus shoulder placement, etc.). Results show that smartphones can generate reliable measurements (compared with SLM) of high-resolution (1-s) cyclist exposure for C-weighted noise, but not A-weighted noise. Sensor placement and windscreen have small effects on noise readings, but air speed and travel speed greatly affect measured noise levels. Future studies measuring on-road noise must consider the effects of wind- and bicycle-generated noise to ensure internal validity. Studies should also consider both study objectives and instrumentation when selecting a noise measure (frequency weighting). Research is needed into bicycle noise generation and perception of traffic noise by cyclists to enhance the reliability of future studies.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 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 ».