Notice bibliographique
Résumé
Rapid recent growth in the popularity of electric bicycles (e-bikes) has captured the attention of transportation researchers and policymakers seeking safe, sustainable, and active alternatives to conventional transportation modes. This thesis presents an investigation of e-bike owners in North America, complementing previous efforts in 2013 and 2017, and suggests implications for North American transportation planning. An online survey was distributed to e-bike owners in the United States and Canada through email outreach, purchase incentive programs, and social media. The survey included questions on the respondents’ demographics, e-bikes, purchase decisions, travel behavior, perceptions of e-bikes, crash experience, maintenance needs, and receipt of purchase incentives. Owners generally have a positive impression of e-bikes and their benefits. The market continues to be dominated by white, male, and affluent riders, but there is a higher share of women than in previous years. Young and old respondents have taken on the technology for differing reasons: transportation and recreation, respectively. There is some indication that the e-bike market is exiting the early adopter phase; however, the demographic profiles of e-bike riders still differ heavily from the general population. E-bikes are used primarily for utilitarian trips. Their proven ability to offset vehicle miles traveled supports investment in incentives and infrastructure from governments of all levels pursuing climate, health, and transportation equity goals. In particular, targeted initiatives aimed at addressing specific demographic segments and geographical contexts may foster more equitable uptake. Riders expressed a desire to ride their e-bikes more often, and for dedicated infrastructure and secure parking facilities. Few households with children allowed them to ride e-bikes. Respondents demonstrated a general misunderstanding of their e-bikes’ class and capabilities. Improper disposal of e-bike batteries does not seem to be a major concern.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».