MétaCan
Menu
Retour à la cohorte
Enregistrement W4408605475 · doi:10.1016/j.multra.2025.100223

Evaluating the usefulness of VGI for citizen co-producing city services from citizen perspective: A case study of crowdsourcing pedestrian navigation

2025· article· en· W4408605475 sur OpenAlexaff
Shanqi Zhang, Maju Sadagopan, Xiao Qin

Notice bibliographique

RevueMultimodal Transportation · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueMobile Crowdsensing and Crowdsourcing
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésCrowdsourcingVolunteered geographic informationPerspective (graphical)PedestrianCitizen scienceComputer scienceData scienceTransport engineeringEngineeringWorld Wide WebArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

With over 50 % of the world's population now living in the cities and the number continuing to grow, cities are increasingly responsible for delivering services to people and businesses. Recent developments in volunteered geographic information (VGI) have provided new opportunities for improving city services by enabling citizens instantly and collectively share and report issues. However, the usefulness of VGI for such use has not been evaluated from a citizen perspective. This paper aims to bridge this research gap through a case study that innovatively uses geosocial media, as an example of VGI, for reporting accessibility issues to local governments and for providing customized navigation services to the general public. Particularly, a study website was developed that allows citizen participants to evaluate the usefulness of geosocial media for issue reporting and for pedestrian navigation. The results suggest that citizens consider geosocial media useful for helping them maneuver dynamic urban environments and for providing a convenient tool for issue reporting. These results suggest that citizens evaluate the usefulness of VGI differently from government officials and that VGI can facilitate government-citizen communication as well as the provision of customized public services, both of which are important to the development of smart cities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,439
Score d'incertitude au seuil0,980

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,066
Tête enseignante GPT0,369
Écart entre enseignants0,303 · 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 tête enseignante, 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

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMultimodal TransportationMême sujetMobile Crowdsensing and CrowdsourcingTravaux en français237 207