Barrierer ved bruk av offentlig transport og innvirkningen de har på deltagelse i aktiviteter
Bibliographic record
Abstract
Formålet med oppgaven er å finne ut av hvordan barrierene som oppleves ved bruk av offentlig transport kan ha innvirkning på personer med nedsatt mobilitetsevne og deres deltagelse i aktiviteter. Målet med oppgaven er å besvare problemstillingen: hvilke barrierer kan personer med nedsatt mobilitetsevne oppleve ved bruk av offentlig transport, og kan disse ha innvirkning på deres deltagelse i aktiviteter? Teorien som er benyttet er de ergoterapeutiske aktivitetsperspektivene aktivitet, deltagelse og meningsfull aktivitet, Canadian Model of Performance and Engagement, occupational justice og GAP-modellen. Teori knyttet til samfunnsaktualitet og fagartikler blir også brukt. Metoden som blir benyttet er litteraturstudie. Resultatet er delt inn i hovedkategoriene fysiske og sosiale barrierer. Fysiske og sosiale barrierer deles deretter inn i subkategorier. Teknisk utstyr, tilgang og tilgjengelighet og værforhold under fysiske barrierer. Subkategoriene som plasseres under sosiale barrierer er uforsvarlighet fra sjåfører og passasjerer, økonomi og isolasjon. Resultatene viser at fysiske og sosiale barrierer kan ha innvirkning på deltagelsen til personer med nedsatt mobilitetsevne. I hvor stor grad de har innvirkning på deltagelsen er individuelt og blir påvirket av flere ulike faktorer. \n\nNøkkelord: nedsatt mobilitetsevne, offentlig transport, barrierer, deltagelse
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 | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.053 | 0.009 |
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".