Enhancing Neighborhood-Specific Mobility Self-Efficacy In Older Adults: A Wearable-Based Urban Crowdsensing Approach
Notice bibliographique
Résumé
The interaction between urban infrastructure design and older adults' mobility remains a critical challenge.Frequent encounters with stressors in built environments, such as steep stairs, uneven sidewalks, or complex traffic signage, reduce older adults' mobility self-efficacy (MSE), ultimately impairing their ability to navigate urban spaces independently.While substantial research has focused on enhancing physical accessibility, limited attention has been given to psychological accessibility, particularly neighborhood-specific MSE, which directly correlates with older adults' likelihood of engaging in outdoor activities.This study explores the potential of wearable-based urban crowdsensing to enhance older adults' neighborhood-specific MSE by leveraging physiological and geolocation data to identify neighborhood stressors.An age-friendly mobile application, SafeCommute, was developed to provide older adults with visual previews of stressors and practical navigation tips, empowering them to anticipate and address challenges in their neighborhoods.A nine-week randomized controlled trial was conducted with 16 older adults, divided into an intervention group using the app and a control group receiving standard mobility support.Changes in Neighborhood-specific MSE and Mobility Intention levels were assessed pre-and postintervention using mixed-model ANOVA.The results demonstrated significant improvements in the intervention group, with Neighborhood-specific MSE increasing by 21% compared to minimal changes in the control group.The significant group-by-time interaction for neighborhood-specific MSE [F (1,14) = 13.264,p < 0.01, η² = 0.487] highlights the intervention's targeted impact.These findings highlight the potential of wearable-based urban crowdsensing to address neighborhood-specific stressors and improve older adults' confidence in navigating their environments.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».