How can we make GPS tracking studies more open, reproducible, and collaborative? A vision for the OpenGPS platform
Notice bibliographique
Résumé
• OpenGPS addresses challenges in data sharing, reproducibility, and collaboration. • A three-phase plan: metadata collection, data archiving, analysis tools. • It ensures privacy with multi-tiered access, encryption, and anonymization methods. • Standardized formats and governance framework support open and FAIR data practices. • It fosters global research, enabling large-scale meta-analyses in mobility studies. This paper introduces OpenGPS, a platform envisioned for the archiving and processing of human mobility GPS data. The OpenGPS addresses the need for a centralized, privacy-preserving system that securely stores, shares, and analyzes GPS tracking datasets. The platform is envisioned to develop in three phases. Phase I focuses on collecting metadata from existing GPS tracking studies worldwide, providing a foundation for future research. Phase II involves archiving GPS data with standardized formats and robust privacy safeguards, ensuring data is accessible while protecting individual privacy. Phase III integrates advanced analytical tools and workflows directly into the platform, enabling efficient analysis and fostering collaboration among researchers. The OpenGPS aims to overcome the limitations of current human mobility studies by offering a standardized repository that enhances reproducibility and openness in research. By facilitating the sharing of data and methodologies, the OpenGPS will promote new insights and innovations in human mobility research. This platform is poised to become a critical resource for the scientific community, bridging gaps in data availability, and enabling comprehensive meta-analyses across different geographical and temporal scales. Through OpenGPS, researchers can collaborate more effectively, share resources, and advance the understanding of human mobility patterns globally.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».