MétaCan
Menu
Retour à la cohorte
Enregistrement W2052555405 · doi:10.3141/2093-15

Development of Distress Guidelines and Condition Rating to Improve Network Management in Ontario, Canada

2009· article· en· W2052555405 sur OpenAlexafffundabout
Alondra Chamorro, Susan Tighe, Ningyuan Li, T Kazmierowski

Notice bibliographique

RevueTransportation Research Record Journal of the Transportation Research Board · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensMinistry of Transportation of OntarioUniversity of Waterloo
Organismes subventionnairesMinistère des Transports
Mots-clésWeightingDistressData collectionQuality assuranceChristian ministryComputer sciencePavement managementTransport engineeringEngineeringOperations researchOperations managementStatisticsMathematicsMedicine

Résumé

récupéré en direct d'OpenAlex

In 2006, the Ministry of Transportation of Ontario, Canada (MTO), completed a study with the Centre for Pavement and Transportation Technology at the University of Waterloo to evaluate the performance of automated and semiautomated technologies that collect pavement distress data. From that study it was recommended that MTO define concise guidelines for surveying pavement distresses at the network level by using automated collection technologies and semiautomated distress analysis and for the guidelines to give special attention to quality assurance. In light of that recommendation, the study detailed in this paper presents the development of pavement distress guidelines and a distress manifestation index (DMI) for network-level (DMI NL ) evaluations by using automated collection technologies and semiautomated distress analysis. To define and validate DMI NL , sections evaluated in the previous study were considered. The relative effect of each distress was obtained by linear regression and statistical analysis. The principle used to define the weighting factors was that the distresses considered by the new guidelines should quantify with a minimum error the DMI estimated by the MTO traditional method.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,058
Score d'incertitude au seuil0,417

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,330
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2009
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueTransportation Research Record Journal of the Transportation Research BoardMême sujetInfrastructure Maintenance and MonitoringTravaux en français237 207