Using street view imagery and localized crowdsourcing survey to model perceived safety of the visual built environment by gender
Notice bibliographique
Résumé
• Recruits over 1,800 local people to rate safety perceptions of street view images. • Examine gender differences in crime-related and barrier-related perceived safety. • Validate perception models trained by local survey against onsite evaluations. • Model-predicted perceptions may not fully represent onsite perceptions. Scholars have documented that perceived safety of the visual built environment (VBE) can influence human behaviors. The dual developments of street view imagery (SVI) and deep learning techniques offer a cost-effective approach to measure perceived safety. However, current SVI-based perception models often lack specific definitions of perceived safety and demographic information when collecting data for model training. Furthermore, these models are rarely validated by onsite perception evaluations, which undermines their credibility. Given these gaps, this study builds a localized crowdsourcing survey to train crime-related and barrier-related perceived safety of the VBE captured by SVIs, and compares model-predicted perceptions with onsite perceptions. This study specifically focuses on their ability to represent onsite perceptions and examines gender differences as a test case in safety perception. This study recruits over 1,800 participants living in the Greater Toronto Area to rate SVIs in terms of crime-related and barrier-related perceived safety. Pearson correlation coefficients reveal a positive but weak correlation between female and male safety perceptions, indicating some consistency while highlighting potential gender differences in safety perceptions. Machine-learning perception models are then trained using this localized SVI survey. Model-predicted perceptions are further validated to assess their alignments with onsite perceptions at sampling locations. The results show that model-predicted perceptions do not exactly match onsite perceptions but align better when less stringent criteria are applied (within ± 1 scale point). In short, this study underscores the necessity of gender inclusivity and a clear definition of safety terms when using SVIs to model perceptions. While SVI-based perception models are cost-effective, the predicted perceptions cannot yet fully substitute onsite perceptions, necessitating broader research to refine the effectiveness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».