Pedal Power: Operational Models, Opportunities, and Obstacles of Bike Lending in North America
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Bike lending offers a service that enables individuals to borrow bicycles for short-term use (i.e., ranging from 2 hours to 36 months), typically from designated locations within cities, campuses, or communities. Unlike bikesharing systems that typically rely on automated kiosks and/or undocked and free-floating devices for public access, bike lending involves a managed program with staff, similar to a library model. These programs can be administered by community organizations, bike shops, public libraries, and other local entities. They are typically community- or membership-based, with many programs associated with non-profit organizations or publicly owned and operated. In this paper, we investigate bike lending in the United States and Canada as of Spring 2024, including a literature review, the identification and characterization of bike lending programs (n = 55), expert interviews (n = 24), a survey of bike lending operators (n = 31), and 2 focus groups with a total of 12 participants. Insights from expert interviews and operator surveys highlight the experiences of professionals involved in bike lending. The focus groups capture the experiences of bike lending users. This paper finds that North American bike lending is often tailored to the specific needs of communities, such as youth, low-income individuals, and the general population. More sustained funding could support program expansion and diversify bike offerings. Enhancing cycling infrastructure, such as adding dedicated bike lanes and paths, could improve overall cycling safety and increase participation in bike lending programs. This study’s findings could help strengthen existing bike lending programs, guide the development of new initiatives and supportive policies, and enhance safe bicycle use for participants.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle