Assessing Individual Route-Level Distress from Collective Distress by Applying Multitask Learning to Promote Older Adults’ Daily Walking
Notice bibliographique
Résumé
Older adults’ walking is significantly limited by the distress they experience from environmental stressors in the current pedestrian infrastructure. To alleviate their stressful experience, a routing system that recommends less stressful routes has great potential for just-in-time intervention to promote their daily walking. In the routing system, a means for assessing individual route-level distress (i.e., the overall distress an individual experiences on a route) is required to compare the route-level distress among candidate routes and select the optimal one. However, existing assessment methods require pre-evaluation of all possible routes in a pedestrian network, making their adoption in a routing system infeasible. To overcome this, the authors propose a collective distress and multitask learning (MTL)–based method that does not rely on pre-evaluation of every route. Instead, the proposed method predicts route-level distress through collective distress, given that an individual’s overall distress is typically influenced by stressors along a route, and collective distress serves as a proxy for stressors. Specifically, the authors first examined the explanatory power of collective distress on individual route-level distress to determine its potential as a predictive input through regression analysis using 1,012 walking trips from 64 older adults. Then, an MTL model with a deep belief network (DBN) structure was developed and tested to predict individual route-level distress from collective distress. Results showed that metrics quantifying the frequency and intensity of collective distress have significant explanatory power for individual route-level distress (McFadden R2: 0.227). Also, the MTL with DBNs presented promising performance (mean absolute error of 0.389 on a 1–5 scale) in predicting a new user’s perceived route-level distress with only seven self-reported route samples. These findings indicate that incorporating collective distress with the proposed MTL-based model can be used in routing systems to provide the least stressful route, thereby enhancing older adults’ walking in pedestrian infrastructure.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».