Advancing cycling among women: An exploratory study of North American cyclists
Notice bibliographique
Résumé
Past studies show that women cycle at a lower rate than men due to various factors; few studies examine attitudes and perceptions of women cyclists on a large scale. This study aims to fill that gap by examining the cycling behaviors of women cyclists across multiple cities in North America. We analyzed an online survey of 1,868 women cyclists in the US and Canada, most of whom were confident when cycling. The survey recorded respondents’ cycling skills, attitude, perceptions of safety, surrounding environment, and other factors that may affect the decision to bicycle for transport and recreation. We utilized tree-based machine learning methods (e.g., bagging, random forests, boosting) to select the most common motivations and concerns of these cyclists. Then we used chi-squared and non-parametric tests to examine the differences among cyclists of different skills and those who cycled for utilitarian and non-utilitarian purposes. Tree-based model results indicated that concerns about the lack of bicycle facilities, cycling culture, cycling’s practicality, sustainability, and health were among the most important factors for women to cycle for transport or recreation. We found that very few cyclists cycled by necessity. Most cyclists, regardless of their comfort level, preferred cycling on facilities that were separated from vehicular traffic (e.g., separated bike lanes, trails). Our study suggests opportunities for designing healthy cities for women. Cities may enhance safety to increase cycling rates of women by tailoring policy prescriptions for cyclists of different skill groups who have different concerns. Strategies that were identified as beneficial across groups, such as investing in bicycle facilities and building a cycling culture in communities and at the workplace, could be useful to incorporate in long-range planning efforts.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».