Vehicle-Based Surveys: Towards More Accurate and Reliable Data Collection Methods
Notice bibliographique
Résumé
Abstract Across Europe, on average more than 95% of all passenger cars and half of all light commercial vehicles are permanently available to a household. This includes both privately owned vehicles and company cars. The profiles of vehicle use can be specified as average annual distance driven per vehicle and for the fleet as a total, purpose of travel (trip destination), infrastructure use (urban, interurban or motorway road transport) and also fuel consumption together with data on CO2 emissions. Indicators on vehicle use can be tracked in various ways: The paper will present a review of mainly vehicle-based survey methods used in France, Germany, Finland, the United Kingdom, the United States and Canada, describing existing sampling frames to their scope, advantages and limitations, as well as their costs. Issues addressed in this context will be further examined in terms of their methodological challenges as well as their purpose. The leading questions underlying this paper as well as the corresponding workshop are: why is it necessary to have data on passenger travel or transportation; and, looking at international experience, how good are vehicle-based surveys in delivering the required information? In discussing problems experienced in the different countries with data collection and evaluation methods, emphasis will be put on potential strategies for methodological and technological improvement and problem solving. One example is the potential use, benefits and constraints of new survey technologies presented by vehicle tracking techniques.
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 | 0,215 | 0,157 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,009 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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 ».