Planning for Future Successes Among Rural Volunteer Driver Programs: Understanding Local Preferences of Prospective Users and Drivers
Notice bibliographique
Résumé
Many rural citizens depend solely on their automobiles to meet their needs, but the health effects of aging can make driving impossible over time. Volunteer driver programs can be a solution where no alternatives exist, yet available tool-kits offer limited guidance for community data collection, analysis and interpretation of results, making success difficult to predict. The Transportation Research Board (TRB) AP060 Paratransit Committee at the TRB Annual Meeting in 2007 proposed a national research effort in this area to study “the factors…contribut[ing] to the success of volunteer driver programs in different settings”. This paper presents stated preferences from prospective users and volunteers regarding anticipated factors critical to the success of a rural volunteer driver program focused on medical appointments. An extensive engagement campaign among a rural area of 21,000 in New Brunswick, Canada returned 68 positive responses to involvement with the program (28 as users only, 7 as drivers only, 17 as volunteers only, and 16 with multiple roles). Most respondents were female and aged 25-65. The majority (82% and 79%) of prospective users felt it was important or very important to access local and regional medical appointments, respectively, while 40% felt the same for shopping trips. The majority (59%) of prospective drivers felt it was important or very important to be paid for mileage, while 23% felt the same about receiving a charitable receipt for their donation. Next steps include further research to predict ridership and volunteer supply, trip preferences, and policy development to address operational concerns, such as insurance.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».