Improving User-Friendly Public Transportation Services: A Survey-Based Analysis of Color Perception and the Role of Color Theory and Universal Design in DMRC Route Maps
Notice bibliographique
Résumé
This study explores the use of color theory and universal design principles in improving user-friendly public transportation services with the help of machine learning algorithms, using Delhi Metro Rail Corporation (DMRC) as a case study.The study is focused on the problem of color perception in DMRC route maps, which can be challenging for people with visual impairments, color blindness, or low literacy levels.To investigate this problem, a structured survey was conducted by connecting and discussing with selected people, in which 120 participants were considered.The survey aimed to analyze the perception of color differentiation in the DMRC route map.The results of the survey showed that many participants faced difficulty in differentiating between colors of similar families in the DMRC route map.Based on the survey findings, it was proposed to use color theory and universal design principles to address the problem.It was suggested for addition of a new color, Brown, in place of Violet color, which significantly improved the ability of participants to differentiate between similar colors.The research findings also highlight the importance of using distinguishable colors in route maps for public transportation services.This study emphasizes the significance of using universal design principles in public transportation services to ensure that they are accessible to all users, including those with visual impairments, color blindness, or low literacy levels.The study's outcomes are particularly beneficial for people who travel with Delhi Metro Rail and could be useful for policymakers and transportation authorities in improving the accessibility and usability of public transportation services.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».