Who gets to use the street? Evaluate the utilization and inclusiveness using crowdsourced videos and vision-language models
Notice bibliographique
Résumé
• The study proposes a framework for evaluating public street spaces. • We collect data from riders to build the largest known street dataset in Beijing. • We train a vision-language model to identify demographic groups and behaviors. • The study reveals uneven pedestrian patterns across age groups and street segments. Equitable access to public street spaces (PSS) represents a fundamental prerequisite for sustainable urban development, yet systematic evaluation frameworks remain inadequately developed. Existing studies suffer from demographic homogenization assumptions, and insufficient data resolution. The deficiency undermines the effective utilization and full inclusiveness of PSS, ultimately constraining street vitality, social cohesion, and progress toward sustainable development goals. We introduce a crowdsourced data collection method based on food delivery riders, significantly enhancing the detail and coverage of the dataset. Therefore, we collect over 11,000 hours of video and construct the “EgoCity Dataset”. Subsequently, we develop a powerful vision-language model (VLM) capable of identifying demographic groups and behaviors (F1-score: 0.9583), addressing critical gaps in existing computer vision applications for urban analysis. Finally, we propose a framework for evaluating PSS, which quantifies the actual level of urban vitality and spatial equity through two key indicators: utilization and inclusiveness. The main findings are: (1) At the individual level, pedestrian distribution shows significant demographic disparities, with adults dominating both volume and activity diversity. (2) At the street level, there is a spatial mismatch between pedestrian flow and residential population. (3) At the regional level, spatial advantages and resources are concentrated in select areas at the expense of broader equity. Our study proposes a low-cost data collection method, and is the first to integrate crowdsourced street video data with vision-language models for pedestrian group identification, as well as to introduce a novel framework for evaluating utilization and inclusiveness in public street spaces. This study offers practical tools for urban planning and advances the sustainable development goals.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».