Deriving Knowledge from E-Scooter Riders’ Feedback at Pilot Study Stage: Case for a City in Ontario, Canada
Notice bibliographique
Résumé
This paper examines the sentiments and opinions of e-scooter riders in Windsor, Ontario, highlighting key issues and concerns they have expressed. It involved text mining of feedback collected over a six-month pilot program (May to October 2021) using dictionary-based analysis. Analysis of monthly word frequencies in rider feedback revealed fluctuations, with June, July, and August showing higher correlations with May—the initial pilot month—compared to September and October. This indicates a fading novelty associated with e-scooters in the city. Although monthly sentiments varied significantly, the overall sentiment in May and June remained positive. The most common words contributing to positive sentiment included fun, awesome, and nice, while negative sentiments were largely represented by words such as slow, broken, and throttle. Feedback reveals that riders primarily regard e-scooters as a source of leisure rather than functional transportation. Correlation analysis of words linked to negative sentiments identified terms like “flat-tire” and “broken throttle,” which emphasize significant concerns regarding e-scooter maintenance practices in Windsor. The findings underscore the need for a data-sharing policy and maintenance regulations while recommending a governance framework for e-scooters to ensure their sustainable benefits. It demonstrates that even with a limited feedback sample during the pilot phase of shared e-scooter implementation, dictionary-based opinion and sentiment analysis can yield valuable insights into rider concerns, guiding immediate policy needs and fostering the functional use of e-scooters as a transportation option.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».