MétaCan
Menu
Retour à la cohorte
Enregistrement W3118280471

Optimizing travel: opportunities for the U of M Fort Garry Campus

2009· dissertation· en· W3118280471 sur OpenAlexaboutno aff
Tom Pearce

Notice bibliographique

RevueMspace (University of Manitoba) · 2009
Typedissertation
Langueen
DomaineBusiness, Management and Accounting
ThématiqueHospitality and Tourism Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForestryGeography
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This thesis examines transportation planning at the University of Manitoba Fort Garry campus with the view to improving efficiency, equity and reducing economic loss. Through a broad approach of Transportation Demand Management (TDM) a number of avenues are explored including a comprehensive literature review of sustainable transportation planning; the documentation of selected university TDM programs including University of Colorado, University of British-Columbia and the University of Ottawa; a University of Manitoba commuter web survey, and key informant interviews. Cost-benefit analysis, geographical information systems and key informants interviews are used. Twelve key recommendations are outlined in the concluding chapter. The research suggests optimal solutions can be reached if there is strong leadership from the University of Manitoba central administration in Transportation Demand Management (TDM) including a more collaborative approach to transportation and land use planning, as well as working closely with its stakeholders in reforming current practices. A series of incremental changes can give higher priority to walking, cycling, transit, and car pooling ahead of those driving alone resulting in a more equitable and efficient transportation system and leading to a healthier population and a healthier environment for the University of Manitoba community. The author can be contacted by email at tompearce@hotmail.com

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,811
Score d'incertitude au seuil0,376

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0050,001
Communication savante0,0050,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0220,003

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 Opus0,032
Tête enseignante GPT0,218
Écart entre enseignants0,186 · 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'étudeQualitatif
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

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMspace (University of Manitoba)Même sujetHospitality and Tourism EducationTravaux en français237 207