Mapping Our Cities for All as VGI Research: Completeness and Insights of a Crowdsourced Business Accessibility Dataset
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Volunteered Geographic Information (VGI) is a form of crowdsourcing which deals with spatial information. Given the spatial nature of accessibility barriers, the proliferation of crowdsourcing apps made by and for disabled people has provided easy-to-interpret repositories for business accessibility information. Claims made with VGI data are related to the dataset’s quality—such as positional accuracy, completeness, temporal accuracy, among others—and our research question answers the ‘completeness’ component of disability advocacy company AccessNow’s dataset. While previous work has theorized the potential of VGI for advancing civil rights or have investigated the utility of OpenStreetMap or Project Sidewalk as viable accessibility platforms, minimal work has applied data quality techniques to such data. Through the joint University of Calgary/AccessNow “Mapping Our Cities for All” (MOCA) initiative, 37 people were hired to map business districts in Vancouver, BC; Calgary, AB; Ottawa, ON; and 17 rural municipalities in Alberta. Using RStudio and ArcGIS Pro, we conducted completeness assessments for all study regions before exploring business accessibility through both spatial and industrial lenses. The findings of the MOCA project are being reported to Accessibility Standards Canada as a first attempt at quantifying our baseline level of accessibility, and which industries and regions could benefit from further investment, to work towards the goal of building a more accessible society.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle