Bike Share: A discussion and case study analysis Including recommendations for Cal Poly and the City of San Luis Obispo
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
Since 2015, micromobility has swiftly expanded to new cities across the United States. Micromobility is defined as a category of transportation services that are shared-use, lightweight, and personal use such as electric scooters (escooters), shared bicycles, and electric bicycles (e-bikes). Micromobility vehicles can be person powered, electrically powered, or a combination of the two (CRCOG, 2022; BTS, 2022). One form of micromobility that is gaining popularity is known as bicycle share. In 2020, the North American Bikeshare and Scootershare Association (NABSA) 2020 State of the Industry Report found that an estimated 83.4 million trips were taken in North America alone (Urbanism Next, 2020). Bicycle share is a type of short term vehicle rental service used in cities across the world. The service typically allows users to rent bicycles through a mobile phone app or a kiosk. Users can ride bikes throughout a bike share system's operating area, which is often contained to select, defined locations such as a city’s limits. There are two major types of bike share in the world. The first is docked, which requires docking stations to charge and store the bikes. In this system, a user can pick up a bike at any station and ride and drop it off at any other empty dock station within the system’s network. The second is dockless, which does not require a docking station, and can be parked anywhere. Recently, it has become standard and more affordable for bike share programs to use both shared bikes and scooters as a hybrid or mixed fleet.
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 | 0,000 | 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 | 0,001 |
| 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