Bumpy Roads Ahead: America's Roughest Rides and Strategies to Make our Roads Smoother
Notice bibliographique
Résumé
These days, potholes and pavement deterioration make it a challenge to keep the wheel steady on America's roads and highways. More than a quarter of the nation's major urban roadways -- highways and major streets that are the main routes for commuters and commerce -- are in poor condition. These critical links in the nation's transportation system carry 78 percent of the approximately 2 trillion miles driven annually in urban America. With state and local governments unable to adequately fund road repairs and with the current federal surface transportation program set to expire on September 30, 2014, road conditions could get even worse in the future. In this report, TRIP examines the condition of the nation's major urban roads, including pavement condition data for America's most populous urban areas, recent trends in travel, the latest developments in repairing roads and building them to last longer, and the funding levels needed to adequately address America's deteriorated roadways. For the purposes of this report, an urban area includes the major city in a region and its neighboring or surrounding suburban areas. Pavement condition data are the latest available and are derived from the Federal Highway Administration's (FHWA) 2011 annual survey of state transportation officials on the condition of major state and locally maintained roads and highways, based on a uniform pavement rating index. The pavement rating index measures the level of smoothness of pavement surfaces, supplying information on the ride quality provided by road and highway surfaces.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,019 |
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 ».