BiciZen: Lessons in the Development of a Crowdsourcing Mobile App to Make Cities More Bikeable
Notice bibliographique
Résumé
Improving bikeability is an urban policy goal that cities are pursuing to reduce their transport-related carbon emissions. To support this goal, this paper introduces BiciZen: a collaborative platform that aims to make cities and regions more bikeable. We describe the lessons learned from the development of this citizen science project. BiciZen is a mobile phone app that allows users to crowdsource information about their cycling experiences and suggest improvements to cycling infrastructure as well as report positive cycling experiences. BiciZen is open to concerned cyclists, city planners and researchers who wish to document and study cycling phenomena, including patterns of bicycle flows or participation in cycling events. The process of developing BiciZen highlights critical trade-offs pertaining to functionality, speed, cost, and flexibility. We found that when deciding what to include in the platform, the interests of researchers, users and city leaders did not necessarily align. We learned that feedback processes are valuable but highly resource intensive. Less than a year after the launch of BiciZen, we find that uptake has been highest in low-cycling contexts and driven mostly by a small number of super-users. The data collected on the BiciZen platform will provide a historical record of cycling incidents, events, and commentary that can be consulted by all stakeholders, and help advance co-creation and citizen science in the realm of active travel and bicycle mobility.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,059 | 0,004 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».