L’environnement autour des écoles a-t-il un impact sur le risque routier impliquant des enfants piétons à Montréal ?
Bibliographic record
Abstract
Malgré l’importance des campagnes de sensibilisation, le nombre de victimes piétons enfants en période scolaire est demeuré quasi constant entre 1999 et 2003 à Montréal (Canada). Par ailleurs, jusqu’à présent, l’environnement urbain entourant les écoles primaires a été peu pris en considération dans l’étude des facteurs de risque affectant ces usagers vulnérables. Le présent projet a donc pour objectif d’étudier l’influence de différentes variables socio-économiques et environnementales sur le risque d’accidents piétons à travers une modélisation qui tient compte des environnements de proximité des écoles. En ce sens, notre méthode fait appel aux systèmes d’information géographique et à une régression de Poisson géographiquement pondérée (GWR). Cinq variables indépendantes sont positivement associées au risque routier piéton près des écoles : le nombre de brigadiers, la mixité fonctionnelle, la densité résidentielle, la défavorisation et la densité populationnelle (enfants). Le recours à la modélisation GWR a permis de montrer comment ces facteurs de risque varient localement à travers le territoire de l’île de Montréal. Or, la connaissance de ces variations ne peut qu’aider les décideurs à définir des stratégies de prévention plus efficaces à l’échelle locale.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".