Overcoming Barriers to Using Social Media in Public Transportation: Summary of Findings from TCRP Synthesis SB-20
Notice bibliographique
Résumé
Social media is a group of web-based applications that encourage users to interact with one another. Examples include Facebook, Twitter, and YouTube. This paper presents findings from TCRP Synthesis SB-20, Uses of Social Media in Public Transportation, which explores use of social media among transit agencies in the United States and Canada. Many transit agencies have begun to incorporate social media into their marketing and communications strategies. Reasons for doing so vary, but goals for using these platforms may include communicating with current riders, reaching out to potential riders, developing stronger community connections, and enhancing the agency’s branding and messaging. Some organizations also use social media applications to support customer service and to obtain feedback from stakeholders on services and programs. Despite these benefits, social networking applications can pose specific challenges for transit agencies. Organizational considerations may include approaches to content management and strategies for handling online criticism. Another challenge for transit properties is estimating the resource requirements for managing social media, staffing the projects, and managing employee access. Agencies also face legal and security concerns, including online security, privacy protection, and complying with requirements for transparency and records retention. Finally, the rapidly changing social media landscape requires agencies to keep track of changes in this dynamic environment and to adapt accordingly. This paper discusses the implications of these barriers for transit agencies and identifies best practices from public transit operators and other government agencies.
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 | 0,009 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».