BikeMaps.org: A Global Tool for Collision and Near Miss Mapping
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There are many public health benefits to cycling, such as chronic disease reduction and improved air quality. Real and perceived concerns about safety are primary barriers to new ridership. Due to limited forums for official reporting of cycling incidents, lack of comprehensive data is limiting our ability to study cycling safety and conduct surveillance. Our goal is to introduce BikeMaps.org, a new website developed by the authors for crowd-source mapping of cycling collisions and near misses. BikeMaps.org is a global mapping system that allows citizens to map locations of cycling incidents and report on the nature of the event. Attributes collected are designed for spatial modeling research on predictors of safety and risk, and to aid surveillance and planning. Released in October 2014, within 2 months the website had more than 14,000 visitors and mapping in 14 countries. Collisions represent 38% of reports (134/356) and near misses 62% (222/356). In our pilot city, Victoria, Canada, citizens mapped data equivalent to about 1 year of official cycling collision reports within 2 months via BikeMaps.org. Using report completeness as an indicator, early reports indicate that data are of high quality with 50% being fully attributed and another 10% having only one missing attribute. We are advancing this technology, with the development of a mobile App, improved data visualization, real-time altering of hazard reports, and automated open-source tools for data sharing. Researchers and citizens interested in utilizing the BikeMaps.org technology can get involved by encouraging citizen mapping in their region.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle