Promoting Crowdsourcing for Urban Research: Cycling Safety Citizen Science in Four Cities
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
People generate massive volumes of data on the Internet about cities. Researchers may engage these crowds to fill data gaps and better understand and inform planning decisions. Crowdsourced tools for data collection must be supported by outreach; however, researchers typically have limited experience with marketing and promotion. Our goal is to provide guidance on effective promotion strategies. We evaluated promotion efforts for BikeMaps.org, a crowdsourced tool for cycling collisions, near misses, hazards, and thefts. We analyzed website use (sessions) and incidents reported, and how they related to promotion medium (social, traditional news, or in-person), intended audience (cyclists or general), and community context (cycling mode share, cycling facilities, and a survey in the broader community). We compared four Canadian cities, three with active promotion, and one without, over eight months. High-use events were identified in time periods with above average web sessions. We found that promotion was essential for use of the project. Targeting cycling specific audiences resulted in more data submitted, while targeting general audiences resulted in greater age and gender diversity. We encourage researchers to use tools to monitor and adapt to promotion medium, audience, and community context. Strategic promotion may help achieve more diverse representation in crowdsourced data.
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 | 0,039 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,020 | 0,013 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 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