Impacts of COVID-19 on Transport Modes and Mobility Behavior: Analysis of Public Discourse in Twitter
Notice bibliographique
Résumé
This study proposes a framework to analyze public discourse in Twitter to understand the impacts of COVID-19 on transport modes and mobility behavior. It also identifies reopening challenges and potential reopening strategies that are discussed by the public. First, the study collects 15,776 tweets that relate to personal opinions on transportation services posted between May 15 and June 15, 2020. Next, it applies text mining and topic modeling techniques to the tweets to determine the prominent themes, terms, and topics in those discussions to understand public feelings, behavior, and broader sentiments about the changes brought about by COVID-19 on transportation systems. Results reveal that people are avoiding public transport and shifting to using private car, bicycle, or walking. Bicycle sales have increased remarkably but car sales have declined. Cycling and walking, telecommuting, and online schools are identified as possible solutions to COVID-19 mobility problems and to reduce car usage with an aim to tackle traffic congestion in the post-pandemic world. People appreciated government decisions for funding allocation to public transport, and asked for the reshaping, restoring, and safe reopening of transit systems. Protecting transit workers, riders, shop customers and staff, and office employees is identified as a crucial reopening challenge, whereas mask wearing, phased reopening, and social distancing are proposed as effective reopening strategies. This framework can be used as a tool by decision makers to enable a holistic understanding of public opinions on transportation services during COVID-19 and formulate policies for a safe reopening.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».