上下文学习评估建成环境对行动不便老年人感知邻里步行性的影响

# 利用情境学习评估建成环境对行动不便老年人社区感知可步行性的影响
来源：https://arxiv.org/html/2608.14663
新加坡国立研究基金会CREATE园区，1 Create Way, Singapore  houhao\.liang@cnrsatcreate\.sg  0000\-0003\-3491\-3281
未来健康技术计划，新加坡-ETH中心，1 Create Way, Singapore  kresimir\.friganovic@sec\.ethz\.ch
陈笃生医院老年与活跃老龄化研究所，新加坡  joanne\_kua@ttsh\.com\.sg
陈笃生医院老年与活跃老龄化研究所，新加坡  noor\_hafizah@ttsh\.com\.sg
邱德拔医院老年医学科，新加坡  su\.su@ktph\.com\.sg
Woodlands Health 骨科，新加坡  bryan\.tan@nhghealth\.com\.sg
未来健康技术计划，新加坡-ETH中心，1 Create Way, Singapore  navrag\.singh@sec\.ethz\.ch
https://orcid\.org/0000\-0001\-8074\-041X
i3 (UMR\-9217 CNRS)，社会与经济科学系，巴黎综合理工学院电信分院，法国巴黎综合理工学院，帕莱索  panos\.mavros@telecom\-paris\.fr
\[https://orcid\.org/0000\-0002\-3027\-3072\]\\Copyright 梁昊\\ccsdesc\[100\]应用计算 健康信息学\\ccsdesc\[100\]信息系统 地理信息系统\\funding本研究由新加坡国家研究基金会通过Intra\-CREATE主题基金（NRF2022\-THE004\-004）支持。

###### 致谢
作者衷心感谢谭俊岳在研究实施和科研管理方面的协助。特别感谢以下人员在实验设置和数据收集后勤协调方面的宝贵贡献：Woodlands Health 的Gillian Chew Long Szu、Tan Jia Yi和Elaine Tan Jie Shuang；陈笃生医院的Ken Lim Sze Yang和Tong Pei Ling；以及邱德拔医院的Cherlyn Lee和Haw Hui Yi。\\EventEditors Sabine Timpf, Gabriele Filomena, Armand Kapaj, Rui Zhu, Nicholas Giudice, and Ed Manley \\EventNoEds 6 \\EventLongTitle 第17届空间信息理论国际会议 (COSIT 2026) \\EventShortTitle COSIT 2026 \\EventAcronym COSIT \\EventYear 2026 \\EventDate 2026年9月22–25日 \\EventLocation 英国约克 \\EventLogo \\SeriesVolume \\ArticleNo \\DOI

Kresimir Friganovic Joanne Kua Noor Hafizah Ismail Su Su Bryan Yijia Tan Navrag B\. Singh Panos Mavros <sup>1</sup><sup>1</sup>通讯作者

###### 摘要
随着全球人口老龄化，通过包容性城市设计提升社区可步行性对于减轻建成环境阻碍老年人体育活动和社会参与的障碍至关重要。本研究探讨了情境学习的实用性，利用基于Transformer的基础模型TabPFN来解码建成环境特征如何作为感知可步行性的决定因素，其测量依据是社区环境可步行性量表调查。使用一个针对独特人群——患有膝关节骨关节炎或有跌倒史的老年人——的小规模数据集（N=257），通过等宽分箱将可步行性感知离散化为低、中、高三个等级，TabPFN取得了54.89%的宏平均F1分数。该结果优于经过优化、网格搜索的基线模型，包括随机森林（45.85%）和XGBoost（50.56%）。为解释这些结果，我们采用了夏普利交互量化来识别特征协同作用的层次重要性。初步结果表明，模型的预测逻辑主要由高阶交互驱动。例如，平均街道迂回率与可行驶道路比率之间的相互作用是可步行性感知的主要判别因素；而社区绿化仅在结合个人的跌倒恐惧或适老化感知时，才具有重要的预测权重。总体而言，通过TabPFN实现的情境学习在小规模数据集上表现出卓越性能，提升了最终解释性洞察的保真度。此外，SHAP-IQ提供了关于高阶特征交互如何驱动模型预测的协同视角。

###### 关键词：
情境学习，建成环境，地理人工智能，感知可步行性

###### 分类：
海报\\relatedversion

## 1引言
随着全球人口老龄化，建成环境与老年健康的交叉点已成为城市政策的关键焦点。对于行动不便的老年人，特别是那些患有膝关节骨关节炎或有跌倒史的个体，城市肌理远非中立背景。相反，它代表了一个由障碍和支持构成的动态景观，城市配置既能促进出行，也可能成为重大的物理约束。因此，这些建成环境特征决定了个人的行动能力，直接影响他们参与体育活动和社会参与的意愿。

现有分析建成环境对老年人影响的研究主要依赖线性回归。然而，这些模型从根本上受限于线性假设，往往无法捕捉人-环境动态中固有的复杂交互效应。实际上，建成环境特征经常以非线性和协同的方式相互作用，导致对感知可步行性的复合效应。为揭示这些复杂性，近期可步行性分析研究越来越多地利用归纳机器学习模型，如随机森林和XGBoost，并结合SHAP进行结果解释。然而，这些模型的性能及其后续的保真度通常取决于大规模数据集的可用性。由于其底层逻辑涉及特征的逐步分区，这些模型在支持广泛样本量、允许稳定决策边界而无过拟合风险时最为稳健。

为解决这一问题，情境学习作为一种最初由大型语言模型普及的学习范式应运而生，它通过基于Transformer的架构执行近似推理。与需要从头迭代梯度更新以学习模式的归纳机器学习模型不同，ICL通过将一个小数据集作为上下文集来操作。基础模型在大型表格数据上预训练的冻结权重充当通用推理引擎，为评估特征分布和相关性提供内在规则。在推理过程中，自注意力机制可以动态关注提供的上下文，通过单次前向传播为新实例生成预测，无需任何进一步的参数优化。因此，这种学习范式缓解了小数据瓶颈的限制，同时最大限度地减少了对广泛超参数调优的依赖。

鉴于建成环境是一个复杂的、由个体认知感知和解码的环境，本研究旨在探索ICL在解码其对独特脆弱人群——患有膝关节骨关节炎或有跌倒史的老年人——影响方面的效用。他们对社区可步行性的主观感知通过社区环境可步行性量表调查进行操作化。为分析此问题，本研究采用TabPFN，一个实现ICL并基于合成表格数据预训练的Transformer基础模型，来执行归纳推理。最后，应用夏普利交互量化来解释结果并识别协同交互。

## 2方法
### 2\.1研究人群
研究队列最初包括373名行动不便的老年人，他们是与Woodlands Health、陈笃生医院和邱德拔医院合作招募的。记录了个人临床档案，特别关注身体脆弱性：膝关节骨关节炎、两年内的跌倒史，或两者兼有。经过数据清理和排除不完整回复后，最终使用257名参与者的有效数据集进行研究（平均年龄=70\.76岁；68\.87%为女性）。队列包括患有膝关节骨关节炎（40\.86%）和有跌倒史（38\.52%）的个体，20\.62%同时患有两种疾病。本研究已获得当地机构审查委员会批准（IRB\-2024\-818）。

### 2\.2研究设计
参与者完成了一套全面的心理测量和出行调查，包括生活空间评估、跌倒效能量表、适老化环境评估工具、NEWS\-A和患者健康问卷-9。在本研究中，NEWS\-A总分作为主要目标变量，代表对社区可步行性的主观感知。

为进行空间分析，使用新加坡独特的六位邮政编码对参与者的住宅地址进行地理编码。这使得能够计算相对于每个参与者在社区内确切位置的多个建成环境指标。

### 2\.3解释变量
建成环境特征选择基于可步行性的5D理论框架：设计、密度、多样性、目的地和到公交的距离。鉴于新加坡城市肌理的超高密度以及关于老年人出行的既定文献，我们使用每个居住点周围400米的缓冲区来计算形态特征，代表即时的可步行邻域。对于可达性指标，我们超越了简单的欧几里得距离。我们计算了网络距离和迂回率，即网络距离与欧几里得距离的比率，以捕捉行人所需的实际导航努力。路由通过OneMap API执行，该平台是新加坡土地管理局的官方地理空间平台，为本地导航提供了更高的准确性，包括考虑人行道和天桥。

在高密度环境下，一个关键挑战是基于单个、孤立的兴趣点评估可达性可能具有误导性。鉴于新加坡的土地使用分区框架，城市服务高度集中在中心社区枢纽和指定区块中。因此，行人出行通常面向这些聚合的功能区，而非独立的兴趣点坐标。因此，我们利用土地使用区块作为目的地的主要代理指标。

此外，我们将个体层面的临床背景与客观的建成环境特征相结合，以创建研究参与者的整体档案。通过将心理和身体健康临床指标与高分辨率环境数据相整合，最终特征集使模型的注意力机制能够关注个人生理脆弱性与社区建成环境中特定形态障碍之间的复杂交互。经过多重共线性过滤过程以确保统计稳健性后，最终特征集按表1所示类别组织。

表1：用于解码感知社区可步行性的综合特征集（自变量）
### 2\.4情境学习框架
#### 2\.4\.1数据预处理
尽管被广泛使用，NEWS\-A感知量表缺乏标准化的临床基准或规范风险阈值。为解决此问题，我们使用等频分箱策略将连续的NEWS\-A总分离散化为低、中、高三个类别。在没有公认基准的情况下，我们选择感知的相对排名而非绝对分值，以使模型能够有效区分研究队列中最支持和最不支持的特征。此外，该策略解决了类别不平衡问题，这对于保持分类模型的稳定性至关重要。

#### 2\.4\.2情境学习工作流与SHAP\-IQ解释
利用ICL范式，本研究采用表格数据基础模型TabPFN执行分类任务。在此工作流中，模型的权重保持冻结。为展示性能，数据集按80/20的比例划分，训练部分直接作为上下文集传递给TabPFN。在推理过程中，模型利用其自注意力机制，根据该上下文集全局评估每个查询个体。通过利用预训练的先验知识来捕捉空间和个体特征如何交互，TabPFN通过近似贝叶斯推理生成类别成员概率。为进行基准测试，评估了传统的归纳机器学习模型，即RF和XGBoost作为基线。为确保严格比较，两个基线模型都通过网格搜索交叉验证协议进行了广泛优化，以最大化其在此数据集上的预测性能。

为解释模型预测的底层逻辑，使用了传统的SHAP分析，主要捕捉一阶、独立的特征贡献。进一步利用SHAP\-IQ量化特征之间的协同交互。值得注意的是，SHAP\-IQ与TabPFN独特兼容，因为模型的ICL范式使得计算复杂交互值在计算上成本低廉，与归纳机器学习模型相比。这使得可以简单移除联盟外特征，允许模型用修改后的数据点重新进行情境化。通过选择性地省略特征对，模型明确评估它们对分类的联合影响，以揭示变量之间的潜在协同效应。

## 3初步结果
首先，评估了TabPFN的预测性能，对比了两种常用于解释建成环境对人类感知和行为影响的归纳机器学习模型：RF和XGBoost。然后我们从建成环境对感知社区可步行性影响的角度讨论结果。

### 3\.1分类性能
由于NEWS\-A分数被离散化为三个类别，分析任务被构建为一个三类分类问题。表2报告了经过调优的RF、XGBoost和TabPFN模型的性能。研究发现，在评估的指标上，TabPFN均优于两个优化的归纳模型。经过调优的RF和XGBoost模型分别达到了46\.15%和53\.85%的准确率，而TabPFN达到了55\.77%的准确率。此外，TabPFN实现了54\.89%的宏平均F1分数，该分数计算所有类别F1分数的算术平均值。F1分数本身代表精确率和召回率的调和平均值，提供了一个平衡的指标，同时惩罚假阳性和假阴性。TabPFN在宏平均F1上的表现优于XGBoost（50\.56%）和RF（45\.85%）。这一比较表明，TabPFN无需参数调整即可实现这些结果，而两个基线模型都需要广泛的优化。这突出了ICL范式的独特优势，展示了其在缓解小数据挑战的同时确...