Environnement bâti et transport actif scolaire : le cas des écoles de proximité de la région de Montréal
Bibliographic record
Abstract
But La diminution du transport actif scolaire est une problématique préoccupante dont les déterminants sont encore mal connus. Nous nous sommes donc penchée sur la question suivante : Quelle est la contribution de l’environnement bâti pour le choix d’un mode de transport actif pour les déplacements scolaires des enfants demeurant à proximité de leur école ? Méthodologie Pour répondre à cette question, nous nous sommes basée sur le cadre conceptuel de Tracy McMillan. Nous avons caractérisé le voisinage de trois écoles en milieu urbain et de trois écoles en milieu suburbain de la région de Montréal. Également, nous avons analysé les données du Groupe de recherche Ville et mobilité concernant les comportements des enfants ainsi que les comportements et perceptions des parents. Résultats Quatre des cas à l’étude se démarquent en raison de leur forte proportion de transport actif scolaire, soit les trois milieux urbains et un milieu suburbain. Les points communs de ces quatre cas sont la perméabilité du réseau viaire pour les piétons et les cyclistes et la perception favorable des parents vis-à-vis le transport actif scolaire. Conclusion Les environnements suburbains génèrent des comportements de transport actif uniquement chez les enfants alors que les environnements urbains génèrent systématiquement des comportements de transport actif chez les adultes et les enfants. Ce faisant, nous pouvons penser que les caractéristiques de l’environnement bâti des milieux urbains influencent les perceptions et les comportements des parents en faveur du transport actif scolaire.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".