Investigation of the Use of Smartphone Application for Trip Planning and Travel Outcome
Notice bibliographique
Résumé
This paper aims to explore the use of smartphone applications for trip planning and travel outcome using data derived from a survey conducted in Halifax, Nova Scotia, in 2015. Through a comprehensive exploratory analysis, this study examines key trip planning decisions such as destination choice, departure time, mode choice, etc., and travel outcomes such as vehicle kilometers travelled, number of social gatherings attended, number of new places visited, and number of trips planned in groups. It also investigates the use of smartphone applications for specific travel needs such as reserving taxis, checking bus schedules, finding a location, etc. Several sets of factors such as trip makers’ characteristics, smartphone usage frequency, and travel characteristics are tested and interpreted. The results show that younger individuals’ travel behavior is mostly influenced by smartphone applications. The use of smartphone applications for trip planning and travel needs is increasing with the increase in years of smartphone use. Transit pass owners (67.87%) are the frequent users of smartphone applications for trip planning. Findings also suggest that transit and active transportation users more commonly use smartphone applications for deciding departure time and mode choice. Surprisingly, use of a smartphone does not have any substitution effect on travel outcome as reported by the respondents. In most cases, it has both neutral and complementary effect. For example, 49.9% reported ‘No Impact’ and 48.8% reported ‘Increase’ in number of new places visited. The study offers an in-depth understanding on how smartphone applications are affecting everyday activity planning.
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 | 0,007 | 0,001 |
| 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 | 0,001 | 0,003 |
| 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 ».