Assessing inequities in active transportation : does the effect of walkable built environments vary according to neighbourhood socioeconomic status?
Bibliographic record
Abstract
Certains chercheurs veulent que les gouvernements modifient les déterminants de l’environnement urbain du transport actif dans des régions à bas statut socioéconomique pour réduire les inégalités en activité physique et santé. Mais, des individus de différents sousgroupes de la population pourraient réagir différemment à l’environnement urbain. Plusieurs chercheurs ont examiné si l’influence d’un environnement urbain propice aux piétons sur le transport actif diffère entre les personnes ayant un statut socioéconomique de quartier différent et ont obtenu des résultats mixtes. Ces résultats équivoques pourraient être dus à la façon dont les mesures de l’environnement urbain étaient déterminées. Plus spécifiquement, la plupart des études ont examiné l’effet de la propicité à la marche des lieux résidentiels et n’ont pas pris en compte les destinations non-résidentielles dans leurs mesures. Cette étude a examiné le statut socioéconomique du quartier comme modérateur de la relation entre l’environnement urbain et le transport actif en utilisant des mesures d’environnement urbain qui proviennent de toute la trajectoire spatiale estimé des individus. Les trois variables de l’environnement urbain, la connectivité, la densité des commerces et services et la diversité du territoire avaient une plus grande influence sur le transport actif de ceux avec un haut statut socioéconomique. Nos résultats suggèrent que même quand la configuration de l’environnement urbain est favorable pour le transport actif, il peut y avoir des barrières sociales ou physiques qui empêchent les gens qui habitent dans un quartier à bas statut socioéconomique de bénéficier d’un environnement urbain favorable au transport actif.
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".