MétaCan
Menu
Retour à la cohorte
Enregistrement W586080265

TRAIN YOUR DRIVERS, TRIM YOUR FUEL BILL

2004· article· en· W586080265 sur OpenAlexaboutno aff
Rachel W. Jones Ross

Notice bibliographique

RevueMass transit · 2004
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle emissions and performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFuel efficiencyEngineeringTransport engineeringTrimFleet managementDiesel fuelTraining (meteorology)Transit (satellite)Automotive engineeringControl (management)Operations managementPublic transportComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The article's emphasis is on the importance of training in the fleet maintenance to increase uptime and safety while reducing costs. It uses as an example of training justification a best practices case from Edmonton, Alberta transit system. The training manager of Edmonton noted the rising diesel fuel bills even though the system's new buses are much more fuel efficient than the older ones. The determination was that the weak links in achieving fuel savings were the people operating the buses. The article describes a fuel conservation program developed for the Edmonton system. The program, FuelSense, is based on an electronic control module that collects fuel consumption data, and based on the information collected, a successful training program was developed for professional drivers that actually changed their driving behavior. After the program was completed, the average savings over the following year were 10%, reducing the fleet's fuel bill by almost $1 million, and one particular driver lowered consumption by 28%.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,727
Score d'incertitude au seuil0,476

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,218
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMass transitMême sujetVehicle emissions and performanceTravaux en français237 207