Investigating active transportation to and from school : identification of predictors and health benefits
Bibliographic record
Abstract
Contexte : Les données probantes rapportées au cours des 20 dernières années indiquent un déclin important de la pratique d’activités physiques. Les chercheurs considèrent que la diminution de l’activité physique est un facteur clé de l’augmentation du surpoids et de l’obésité chez les enfants. Les transport actifs (TA), à savoir les modes de transport non motorisés tels la marche ou le vélo pour aller à l’école ou en revenir, pourraient constituer une opportunité de pratique d’activité physique. Objective : Cette thèse vise à identifier les déterminants individuels et écologiques du TA et d’en évaluer les retombées de santé possibles. Quatre études visant les objectifs suivants ont été réalisés: (1) Parmi un échantillon d’enfants et d’adolescents québécois, décrire la proportion d’enfants qui utilisent la marche, le transport en commun, le véhicule familial, l’autobus scolaire ou une combinaison de modes de déplacement pour se déplacer vers l’école. (2) Identifier les facteurs associés au TA pour se déplacer vers l’école parmi un échantillon d’enfants et d’adolescents québécois. (3) Parmi des échantillons de jeunes québécois et canadiens, identifier les déterminants individuels et écologiques du TA pour se déplacer vers l’école. (4) Examiner l’association entre le TA pour se déplacer vers l’école et les changements d’indice de masse corporelle (IMC) entre la maternelle et la 2e année du primaire. Méthodologie : Trois bases de données avec échantillonnage de type populationnel ont été utilisées pour répondre à ces objectifs de recherche, soit l’Enquête Sociale et de Santé auprès des Enfants et Adolescents québécois (ESSEA), l’Étude Longitudinale Nationale des Enfants et des Jeunes du Canada (ELNEJ) l’Étude Longitudinale sur le Développement des Enfants du Québec (ELDEQ). Des analyses statistiques pour données longitudinales ont été appliquées. Résultats : Les analyses ont mis en lumière quatre résultats importants. 1) Les données de l’ESSEA indiquent que les enfants de 9 ans vivant en milieu urbain et provenant de familles ayant de faibles revenus avaient une probabilité significativement plus élevée d’utiliser le TA pour se déplacer vers l’école. 2) Les données de l’ELNEJ indiquent que certains facteurs sociodémographiques qui changent à travers le temps sont associés à une probabilité plus élevée d’utiliser le TA pour se déplacer vers l’école dont : le fait de vivre dans un ménage ayant un revenu insuffisant, de vivre dans un ménage avec un seul parent, d’avoir un frère ou une sœur plus âgé/e dans le ménage et de vivre dans un milieu urbain. 3) L’exploitation des données de l’ELDEQ démontre que certaines variables associées à l’utilisation de TA pour se déplacer vers l’école sont le fait d’être un enfant provenant d’un ménage aux revenus insuffisants, de résider dans des quartiers pauvres et de vivre dans des quartiers perçus comme étant moyens, mauvais ou très mauvais pour élever des enfants. Ces résultats suggèrent que les enfants qui sont les moins favorisés sont les plus exposés à des environnements défavorables au TA et donc sont exposés à une forme d’injustice environnementale. 4) Enfin, l’IMC des enfants qui adoptent systématiquement la pratique du TA pour se déplacer vers l’école entre la maternelle à la 2e année du primaire suit une trajectoire plus saine que celle des enfants qui n’ont pas maintenu ce mode de TA. Conclusion: Bien que l’utilisation du TA pour se déplacer vers l'école puisse s'avérer favorable à la santé des enfants et des jeunes tel que démontré par l’évolution favorable de l’IMC des enfants adoptant cette pratique à plus long terme, la sécurité des routes menant vers l’école doit être améliorée pour permettre aux enfants de bénéficier de retombées positives de cette habitude de vie. Afin d’approfondir les connaissances dans ce domaine, il serait opportun de reproduire ces résultats avec des données issues de mesures de la dangerosité du quartier obtenues par des moyens autres que les questionnaires auto-rapportés de même que des données provenant d’études avec des devis quasi-expérimentaux ou expérimentaux qui ont recours à de grands échantillons représentatifs dans les zones urbaines où le TA pour se rendre et revenir de l’école est le plus probable.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".