MétaCan
Menu
Retour à la cohorte
Enregistrement W4391483556 · doi:10.1080/09687599.2023.2299344

A user-led audit of the walkability and wheelability of Quebec City’s neighborhoods by mobility assistive technology users

2024· article· en· W4391483556 sur OpenAlexaffabout
François Routhier, Delphine Labbé, Florence Lemay, Stéphanie Gamache, Émilie Lacroix, Atiya Mahmood, W. Ben Mortenson

Notice bibliographique

RevueDisability & Society · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrban Transport and Accessibility
Établissements canadiensGF Strong Rehabilitation CentreInternational Collaboration On Repair DiscoveriesUniversity of British ColumbiaCentre intégré universitaire de santé et de services sociaux de la Capitale-NationaleUniversité LavalSimon Fraser UniversityCentres Intégré Universitaires de Santé et de Services SociauxCentre for Interdisciplinary Research in Rehabilitation
Organismes subventionnairesnon disponible
Mots-clésWalkabilityAssistive technologyAuditBusinessGeographyBuilt environmentComputer scienceEngineeringHuman–computer interactionAccountingCivil engineering

Résumé

récupéré en direct d'OpenAlex

For mobility assistive technology (MAT) users, environmental obstacles or helpful elements can make the difference between disabling situations and social participation. User led environmental evaluations can highlight difficulties MAT users experience, which can inform changes to the built and social environment. This study used the Stakeholders’ Walkability/Wheelability Audit in Neighbourhood People with Disabilities (SWAN-PDW) to identify observable (objective) and experienced (subjective) barriers/obstacles and facilitators/helpful features encountered by 25 MAT users in their daily lives in three residential environments (i.e. urban, semi-urban and suburban) in Quebec City (Canada). Because the participants’ were directly involved in the identification of obstacles and helpful elements, this type of user-led evaluation may empower MAT users to initiate discussions with the relevant authorities. By acknowledging the difficulties and opportunities encountered by MAT users, stakeholders can use these individuals’ expertise in the planning and decision-making processes to improve access for all citizens.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,013
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,281
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDisability & SocietyMême sujetUrban Transport and AccessibilityTravaux en français237 207