Inclusive and Safe Mobility Needs of Senior Citizens: Implications for Age-Friendly Cities and Communities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Municipalities are concerned with addressing social issues such as mobility inclusion and safety by increasing access to transport facilities and services for all groups in society to create equitable and equal access for all citizens. Moreover, the public transportation systems provided in cities have to be inclusive and safe, driven by emerging technologies such as Artificial Intelligence (AI)-based services that provide personalized recommendation to improve mobility inclusion and safety for all citizens in society, especially vulnerable road users such as senior citizens or older people. But at the moment, there are few studies that have investigated how municipalities can provide inclusive and safe public transportation in general and for senior citizens, particularly those aged 65 and above. Therefore, this study aimed to examine how to provide inclusive and safe mobility for senior citizens to improve out-of-home mobility services for senior citizens towards age-friendly cities and communities. Accordingly, a systematic literature review grounded on secondary data was adopted to investigate inclusive and safe mobility needs for senior citizens. The data were collected from previous research and existing documents, and a descriptive data analysis was carried out to provide insights on urban transportation policies related to senior citizens. Furthermore, case studies were adopted to present polices and strategies employed in Norway, Canada, the United States of America, the United Kingdom, Sweden, and Northern Ireland to identify measures employed to address the public transportation needs of an aging society, focusing on the provision of inclusive and safe mobility to senior citizens. Further findings from this study included the possible use of emerging technologies such as AI-based machine learning for inclusive and safe mobility.
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.
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 | 0,002 | 0,000 |
| 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 | 0,002 | 0,006 |
| 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 découle