Exploring User Perspectives to Increase Winter Bicycling Mode Share in Edmonton, Canada
Notice bibliographique
Résumé
Over the last decade many municipal governments in the United States and Canada have proactively invested in bicycling infrastructure, ranging from physically separated bikeways to greenways and bike-share programs. Evidence points to gradually increasing bicycle use, though this growth is small in absolute numbers, particularly in winter cities. Two interrelated issues are noteworthy: i) research shows that bicycling rates go down in cold weather, yet little is known about how those who still bicycle adapt to road conditions, and ii) while cities rely on manuals and best practices when creating bicycling policies, there is limited direct evaluation of bicycling infrastructure in severe winters. Relying on semi-structured interviews with winter cyclists in Edmonton, Canada, this paper investigates riders’ adaptation strategies. This study posits that bicycling infrastructure would be better utilized if riders’ observations and experiences informed policy, thus increasing the odds of expanding winter cycling to the next most likely group. A methodological contribution of this work is using mapping voice to uncover user preferences. In Edmonton, winter cyclists use specific corridors, both with and without bike lanes. They ride with traffic on streets or on sidewalks since bike lanes are often covered with snow windrows. Findings suggest that a group of policies including consistent snow clearing, separated bikeways, network connectivity, destination amenities, and public/driver education would make cycling more convenient and safe during the snow season. These insights have the potential to increase winter bicycling by moving the infrastructure supply paradigm from a best practice to a best fit approach.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».