Analyzing the efficacy of transportation survey recruitment methods
Notice bibliographique
Résumé
Collecting essential data through surveys is critical for shaping our understanding of travel demand, which influences important transportation planning decisions. However, conventional data collection methods face challenges, such as declining completion rates, under-representation of specific population sub-groups, confidentiality, and significant investment of resources. By employing diverse strategies in recruitment and data collection, it is possible to reach a broader and more representative sample of the population, thereby improving the overall effectiveness and accuracy of the surveys. With this motivation, this thesis examines various requirements for enhancing transportation surveys, emphasizing recruitment methods. First, an expert workshop was organized to understand the importance of transportation surveys. The event highlighted the need for a flexible and multi-faceted approach to sample collection, recognizing the dynamic nature of technology, societal preferences, and participant demographics in making informed decisions and developing effective transportation plans. Next, the implementation of a transportation survey deployed in British Columbia, Canada, is discussed, utilizing various recruitment strategies (mail, e-mail, SMS and call). Finally, the thesis presents analyses of the efficiency of each recruitment method used. To further identify factors that influence survey completion rates, an ordered logit model is developed to examine households' need for frequent communication to complete the survey, providing insights into the efficiency of different communication strategies. Additionally, a hazard model is formulated to investigate the time it takes for the households to complete the survey without frequent communication. Results indicate that both recruitment methods, mail and self-registration, were effective in creating a representative sample of the population. SMS was the most effective reminder method. For example, among the self-registrants, about 69% of households that received an SMS completed the survey on the same day, with approximately 40.5% finishing within one hour. Results also found that self-registrants, older adults and single individuals need more frequent communication to finalize the survey. In contrast, without reminders, males and residents of Metro Vancouver tend to complete surveys more quickly, while single individuals and full-time workers may require more time.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».