Comparing Location Data From Smartphone and Dedicated Global Positioning System Devices: Implications for Epidemiologic Research
Notice bibliographique
Résumé
In this study, we compared location data from a dedicated Global Positioning System (GPS) device with location data from smartphones. Data from the Interventions, Equity, and Action in Cities Team (INTERACT) Study, a study examining the impact of urban-form changes on health in 4 Canadian cities (Victoria, Vancouver, Saskatoon, and Montreal), were used. A total of 337 participants contributed data collected for about 6 months from the Ethica Data smartphone application (Ethica Data Inc., Toronto, Ontario, Canada) and the SenseDoc dedicated GPS (MobySens Technologies Inc., Montreal, Quebec, Canada) during the period 2017-2019. Participants recorded an average total of 14,781 Ethica locations (standard deviation, 19,353) and 197,167 SenseDoc locations (standard deviation, 111,868). Dynamic time warping and cross-correlation were used to examine the spatial and temporal similarity of GPS points. Four activity-space measures derived from the smartphone app and the dedicated GPS device were compared. Analysis showed that cross-correlations were above 0.8 at the 125-m resolution for the survey and day levels and increased as cell size increased. At the day or survey level, there were only small differences between the activity-space measures. Based on our findings, we recommend dedicated GPS devices for studies where the exposure and the outcome are both measured at high frequency and when the analysis will not be aggregate. When the exposure and outcome are measured or will be aggregated to the day level, the dedicated GPS device and the smartphone app provide similar results.
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 | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».