Notice bibliographique
Résumé
This paper summarizes the City of Saskatoon?s work in developing network level performance indicators for urban roadway networks with reporting that could be easily understood by politicians and the general public. Many years have been devoted to attempts at translating surface condition measures in to performance indicators. However, surface condition measures such as the International Roughness Index (IRI) were difficult for politicians and the general public to understand. The surface condition was also very dependent on the time of year that the data was collected. For instance, if collection occurred early in the year, certain roads would invariably be rated in worse condition due to spring thaw effects. This variability makes it difficult to track annual changes in condition of the networks. In fact, many have been observed to improve in condition without any work performed due to this variability. A more reliable evaluation tool was needed which could easily be understood with minimal or no roadway knowledge. With this criteria in mind, various asset valuation techniques were investigated. Many of the current methods such as straight line depreciation were rejected due to its inability to provide managers with the current value of the asset. The historical costs approach to valuation gives very little worth to old infrastructure assets, but is useful for valuing new assets. However, this method is not realistic because road infrastructure assets by their nature have sustainable value long after their intended ?design life?. Ultimately, a new method that uses probability distributions to account for variability in network value due to aging was developed. Treatment history and more important treatment sequencing have a significant affect on the long-term value of the assets.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».