MétaCan
Menu
Retour à la cohorte
Enregistrement W7063747880

Aktualisering av Nätra-underlaget, etapp 2, del 2: Möjliga datakällor

2018· article· sv· W7063747880 sur OpenAlexaboutno aff

Notice bibliographique

RevueKTH Publication Database DiVA (KTH Royal Institute of Technology) · 2018
Typearticle
Languesv
DomaineEngineering
ThématiqueParticle accelerators and beam dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAge discriminationGender discrimination
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

I Del 2 ändrade vi inriktning på projektet då vi kommit till slutsatsen att det med dagensförutsättningar inte är möjligt att aktualisera NÄTRA-underlaget med enenkätundersökning. Dessutom är enkätundersökningar problematiska att använda fördenna typ av undersökning, framför allt på grund av problem med svarsbenägenhet.Vi kom till slutsatsen att det finns ett behov att ta ett steg tillbaka och undersöka vilkametoder som är mest lovande att använda för framställning och utveckling avkunskapsunderlag om regionala näringslivstransporter. Det finns en rad möjliga metodermed olika för- och nackdelar – där vissa är mer lovande på kort sikt och andra ärintressanta på längre sikt. Tillsammans med Trafikverket kom vi fram till att vi tror att detär viktigt att först genomföra en bred inventering av möjliga datakällor för att sen kunnautvärdera vilka metoder som är mest lovande för att förbättra kunskapsunderlaget omregionala näringslivstransporter.Vi genomförde därför en bred kartläggning av trafikflödes- och passagemätningar,statistiska undersökningar och registerdata, företagssystem, samt tidigare relevantastudier och kartläggningar. Inventeringen visade på olika för- och nackdelar med olikadatakällor och insamlingsmetoder. Vi studerade även de modellansatser som finns för attfånga regionala näringslivstransporter kopplat till det databehov som finns i dessamodeller. Efter att ha utvärderat dessa landade vi i att det som var intressant attundersöka närmare inom ramen för projektet var registerdata, modellutveckling samt enbeskrivning av vissa branscher, vilket vi fördjupade oss i.Fördjupningen kring registerdata visade att det finns möjligheter till framtagning avunderlag kring exempelvis fördelning av passager vid trängselskatteportaler med olikafordonstyper. Genom att koppla registerdata till trängselskattedata, är det möjligt attkoppla på branschtillhörighet och göra antaganden om vilka fordon som tillhör lättyrkestrafik exempelvis genom ägartyp, bilmärke, etc. Även vissa uppskattningar om andelutländska fordon vid passager är möjliga att göra. Användning av registerdata är relativtsett resurs- och tidseffektivt då registerdata redan är sammanställd. Utveckling av enlämplig metod för att säkerställa kvalitet och att rätt data tas fram krävs. Initialt krävs attett registeruttag skapas, vilket kan vara problematiskt beroende på vilken organisationsom söker åtkomst till data och hur kontakten med utlämnarorganisationen ser ut. Oftastär det lättast att få åtkomst till sekretesskyddade data för forskare på högskolor ochuniversitet.Fördjupningen kring modellutveckling visade att det finns olika sätt som modeller kringregionala näringslivstransporter kan utvecklas. En variant är att med metaanalys av tillgänglig data från olika källor, sammanställa det och sedan använda olika statistiskametoder för att skatta parametrar i modeller som kan användas för att görascenarioanalyser och prognoser. En annan variant är att med hjälp av mer aktuella indata(alstringstal och körsträckefördelning samt observerade trafikflöden) med bättre kvalitet,förbättra den modellering av lätt yrkestrafik som tagits fram vid konstruktionen av lättyrkestrafik till Sampers regionala modeller (Edwards et al., 201b7). Ytterligare en variantär att estimera multinomiala logitmodeller av motsvarande typ som man gjort i Calgary iKanada baserat på exempelvis insamlade data från GPS-mottagare, för att sedankombinera det med samsdata på områdesnivå och annan data av intresse. Det bör ocksåvara möjligt att estimera nya OD-matriser för näringslivets transporter med hjälp avträngselskattedata i kombination med annan registerdata.I fördjupningen kring branscher diskuterades branschindelningar generellt – och lättyrkestrafik och byggbranschen beskrevs mer specifikt. Fokus i beskrivningen var påmöjligheten till insamling av information och hur branscherna i stort ser ut.Olika datakällor är intressanta på olika tidshorisont och för olika syften. På kortare siktmenar vi att det viktigaste är att undersöka användbarheten på relativt sett lättillgängligaoch kvalitetssäkrade data såsom registerdata.Vilken data som framför allt är intressant att använda beror på vilken modell somanvänds. Vi menar därför att det är viktigt att fortsätta modellutvecklingen och att följautvecklingen inom området. Detta är ett mer långsiktigt arbete.Det är också viktigt att parallellt fortsätta att undersöka datakällor som på längre sikt kanbli intressanta att använda för detta ändamål. Exempelvis företagssystem är en intressantdatakälla där det finns information som kan vara intressant underlag om regionalanäringslivstransporter. I nuläget är det flera frågor som är oklara, t.ex. kopplat till hurdataunderlaget skulle kunna tillgängliggöras. Dessutom kräver det troligtvisutvecklingsarbete för att tillgängliggöra ett sådant underlag.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,108
Score d'incertitude au seuil0,362

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,019
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0030,001
Communication savante0,0170,013
Science ouverte0,0020,007
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,1080,063

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,267
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKTH Publication Database DiVA (KTH Royal Institute of Technology)Même sujetParticle accelerators and beam dynamicsTravaux en français237 207