Notice bibliographique
Résumé
The widespread adoption of mobile phone and other location-tracking devices, and the enormous amounts of data they produce, has provided municipalities with the opportunity to automate previously time-consuming and labour-intensive data collection processes. Municipal planners, in particular, have begun to integrate the aggregated data sets of private urban technology platforms into active transportation and broader infrastructure planning initiatives. To date, however, there has been limited research on the implications of this integration for municipal decision-making and governance processes. Using the Strava Metro data stream and its free-access model as a case study, this paper explores both the motivations behind municipal adoption of the Strava platform and the benefits that accrue from its usage. Through the application of a mixed methods approach, including the building of a use case database via a search of internet and academic literature sources and qualitative interviews with municipal planning staff, our research examines how Strava data is used to support the work of municipal planners and evaluates the strengths and weaknesses of that use. Our study finds that Strava Metro data aided municipal staff in the planning of cycling and pedestrian infrastructure, complementing available in-house data sets; helped spur new active transportation initiatives; and enabled innovation and professional curiosity on the part of planners. The paper concludes by exploring the ramifications of Strava data for community wellness and broader public realm improvements, as well as extending a discussion with respect to the platform’s sociodemographic representativeness and related limitations.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,015 |
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 ».