Getting at Mode Share: Comparing 3 Methods of Travel Mode Measurement for School Travel Research
Notice bibliographique
Résumé
BACKGROUND: Mode share is an important metric for active school travel programs. Common methods for measuring mode share include Hands Up surveys and family surveys, but these require teacher and parental involvement. We used these methods as part of an evaluation of a school-based bicycle training program, and added a novel observational count approach. This paper compares mode share results across the 3 methods. METHODS: We collected data over 2015-2017 at 16 elementary schools. Our outcome of interest was mode share (walk, drive, and bicycle). RESULTS: We found variations in travel mode estimates between methods and across schools. Overall most school journeys were made by walking (55.7% by observational counts, 46.3% by Hands Up surveys, and 51.5% by family surveys) or car (42.5%, 51.4%, and 46.2%, respectively), and a small proportion by bicycle (1.8%, 2.3%, and 2.2%, respectively). At individual schools, Hands Up and family survey results were similar; there was less agreement between these and observational counts. CONCLUSION: School travel practitioners face pragmatic choices in data collection. Observational counts are a nonintrusive method suited for school-wide travel patterns. Hands up and family surveys may be more appropriate for assessing differences between classrooms, ages, or family characteristics.
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 | 0,026 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».