Investigating the Relationship between Structural Features of Built Environment and Physical Activity Using Geographic Information Systems (GIS)
Notice bibliographique
Résumé
Background: Built environment determinants of engaging in physical activity are dependent on the properties of societies. This study investigates the relationship between structural variables of the environment using geographic information systems (GIS) and the level of physical activity in 22 districts of Tehran. Methods: This cross-sectional study was based on Urban Health Equity Assessment and Response Tool (Urban HEART-2). Physical activity level was assessed via the Global Physical Activity Questionnaire (GPAQ). The characteristics of the neighborhood environment, including land use, street pattern, population density, and traffic, were determined via ArcGIS software. Walkability index (population density, street pattern, land use) was calculated to assess the effect of the main variables of living environment on physical activity level. Results: Among the built environmental variables, land use was associated with the total physical activity and travel-related physical activity level (r: 0.155, P value: 0.001, and r: 0.122, P value: 0.007, respectively). The walkability index indicated an association with the total physical activity level and travel-related physical activity level (r: 0.126, P value: 0.006, and r: 0.135, P value: 0.001, respectively). Higher levels of the walkability index were associated with an improved level of physical activity (OR: 2.04). Conclusions: Walkability index and land use positively correlate with total physical activity level, and providing action plans that improve walkability index and land use might lead to increased physical activity level.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».