MétaCan
Menu
Retour à la cohorte
Enregistrement W3044181869 · doi:10.5038/2375-0901.22.1.2

Valuing Public Transport Customer Amenities: International Transit Agency Practice

2020· article· en· W3044181869 sur OpenAlexaboutno aff
Chris De Gruyter, Graham Currie

Notice bibliographique

RevueJournal of Public Transportation · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTransportation Planning and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAmenityPublic transportAgency (philosophy)MarketingBusinessRegional scienceGeographyTransport engineeringSociologyEngineeringFinanceSocial science

Résumé

récupéré en direct d'OpenAlex

Public transport customer amenities cover a range of measures that can enhance the quality of the passenger experience, such as information provision and station quality. While much research has determined the value that users place on amenities, there is little understanding of current practice in the use of customer amenity valuations in project appraisal. A survey of transit agencies in 11 cities (Melbourne, Sydney, Brisbane, Perth, Auckland, London, Paris, Toronto, Vienna, Oslo and Singapore) was undertaken showing that Australasian cities, albeit Melbourne, generally have widespread inclusion of customer amenities as part of advanced appraisals for all relevant types of public transport projects. Australasian practice tends to include customer amenities more frequently in project appraisal than London, Singapore and Oslo. Paris, Toronto and Vienna, although they adopt advanced appraisals for some projects, rarely (if at all) include customer amenities in these appraisals. While agencies generally use published sources of customer amenity values specific to their country, Toronto and Singapore tend to use customer amenity values from London, highlighting a lack of local customer amenity values.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,043
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,098

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,043
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,007
Études des sciences et des technologies0,0020,004
Communication savante0,0070,005
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,318
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Public TransportationMême sujetTransportation Planning and OptimizationTravaux en français237 207