The Association of Acoustic and Non-Acoustic Factors with Severe Aircraft Noise Annoyance - Results of the Survey of Noise Impacts on Canadian Communities
Notice bibliographique
Résumé
Many Canadians are affected to various extends by environmental noise. Those living near airports and flight paths are exposed to aircraft noise that can cause severe disturbance and annoyance amongst the population. Annoyance is the most common effect of aircraft noise exposure, and as such, is a key metric in regulations and guidelines. However, it is anecdotally understood that annoyance from aircraft noise cannot be attributed to a measured noise level alone and that there are other contributing factors. Thorough understanding of noise annoyance and all possible acoustic and non-acoustic contributors is critical to its management. The Survey of Noise Impacts on Canadian Communities 2021 (SONICC 2021) was a questionnaire distributed around Toronto Pearson International Airport, which sought to identify both acoustic and non-acoustic factors associated with severe noise annoyance. While the analysis in this paper noted that prevalence of severe annoyance increased with higher noise exposure, noise levels alone were not the best predictor of a respondent’s likelihood of being highly annoyed. Consideration of situational, personal, and attitudinal factors such as perceived change in noise, habituation, feeling of unfairness, and noise sensitivity significantly improved the ability to predict severe annoyance. This paper shares the results of SONICC 2021 and suggests how these findings can inform a more holistic approach to annoyance prediction and mitigation.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».