Rules for Assessing Data Quality of Activity-Scheduling Survey Respondents
Notice bibliographique
Résumé
The development of standards and guidance for applying quality measures in travel surveys is receiving increased attention. The most commonly reported quality measures are unit nonresponse and trip rates. How such a standard would be applied for assessing the quality of a single respondent's data remains unexplored. Furthermore, new quality indicators are needed for emerging travel survey methods, such as multiday and computerized scheduling surveys that capture observed activity travel patterns as well as information on underlying activityscheduling decision processes. A new set of rules is proposed for assessing data of individual respondents by using results from a recent survey of this type. The use of computers and a focus on decision processes led to developing several new quality indicators related to respondent login durations, data entry delays, entry timing, and recall rates. Analysis of these indicators was used to propose six rules for identifying goodquality data. A combined single rule was also developed by using principal component analysis. Further analysis of this combined indicator revealed that sociodemographic characteristics of the respondents were largely insignificant—people of all ages, genders, marital status, and employment or student status were equally able to provide good data. It also suggests that use of the combined indicator to filter out poorquality data will not necessarily introduce any additional bias into the resulting reduced sample set. The weak correlation of respondent activity or trip rates with the combined indicator implies that their usefulness for assessing data quality at an individual level is questionable.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,239 | 0,469 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,012 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».