Factors Affecting Interview Duration in Web-Based Travel Surveys
Notice bibliographique
Résumé
Historically, travel surveys have been conducted face-to-face, by mail, or by phone. With the increasing share of households having access to the Internet, other survey modes have been deployed. This paper focuses on web surveys. Among other advantages, using the web to conduct surveys reduces costs and helps mitigate poor response rates among young households. Very few studies have been conducted on interview duration and its determinant using paradata from web travel surveys. Such knowledge is necessary to validate the context in which travel data are gathered and can be used to understand sample and data quality. Interview duration modeling is also essential for allocating survey servers and monitoring interviews during the data collection phase. This paper models interview duration using paradata from nine web surveys conducted in the Quebec province from 2010 to 2014. The main objectives of the model are to assist the monitoring of interviews by detecting outliers, provide a better estimate of the interview duration to respondents and survey managers during the interview, and allow a more precise evaluation of the server performance needed before conducting web travel surveys. Using a multiple regression model, we observed that the most important variables in explaining interview duration were number of car and transit trips as well as number of unique places visited during a day. Conducting the interview on a small-screen device also increased interview duration. The model also provides a baseline estimate of interview duration on the basis of demographic features and questionnaire design.
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 | 0,159 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».