Using machine learning to predict child active transportation prevalence
Notice bibliographique
Résumé
Active school transportation (AST) can have a host of physical and mental health benefits. Unfortunately, child AST rates have declined over the last few decades. Changes to the built environment can improve AST prevalence. Due to the complexity within the road system, machine learning models may hold promise to accurately predict factors related to child AST. As such, our aim was to train and evaluate a machine learning algorithm to predict the prevalence of child AST. Data were collected from The CHASE (CHild Active-transportation Safety and the Environment) study's geodatabase, including seven Canadian municipalities/regions. The proportion of enrolled students using AST at each school was assessed by observing students arrive to school in May/June of 2018 or 2019. Data were aggregated at the school catchment zone as the unit of analysis. Both national and city-specific models were trained and validated. Root mean squared error was used to assess prediction accuracy. A measure of variable importance was also calculated. A total of 541 elementary schools were included. Median city AST prevalence ranged from 0.4 (Calgary) to 0.73 (Montreal). National and city-specific models resulted in similar prediction accuracy. Population density, Walk Score®, proportion of child population enrolled in the school, and size of residential area within each school catchment zone were frequently highly ranked in importance. Population and housing density were the two most important predictors of AST prevalence. Policies that can increase population and housing density will, therefore, likely increase AST among school-aged children. • Machine learning decision trees predicted child active transportation prevalence. • Predictors included built environment, population, and housing variables. • Models were able to predict active transportation with low error. • Housing and population density found to be highly important predictors.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».