Uses of Social Media in Public Transportation: Summary of Findings from TCRP Synthesis SB-20
Notice bibliographique
Résumé
Social media is a group of web-based applications that encourage users to interact with one another. Examples include Facebook, Twitter, and YouTube. This paper presents findings from TCRP Synthesis SB-20, Uses of Social Media in Public Transportation. The paper focuses on the findings from the survey conducted for the synthesis and the more detailed cases. Thirty-five public transportation agencies in the U.S. and Canada participated in an online survey, and six were selected for more detailed interviews. Most of the surveyed agencies used Twitter, Facebook, and YouTube. Twitter was frequently used for providing time-sensitive information like service alerts, while agencies selected both Twitter and Facebook for disseminating agency news, meeting and event notices, contests and promotions, and general service information. Communicating with current riders was the most important goal for agencies and also the area where they considered social media to be most effective. Survey respondents were especially likely to use these applications to reach everyday riders, young adults and students. At the other end of the spectrum, agencies considered social media to be least effective for reaching seniors and low-income communities. Surveyed agencies stressed the importance of integrating social media with more traditional forms of rider communication and valued social media for providing unfiltered customer feedback. They reminded agencies to obtain the necessary internal approvals before moving forward and to understand the staffing requirements. Finally, social media can be a moving target and the challenge is to stay flexible, expect the unexpected, and adapt accordingly.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».