OPEN DATA EN TRANSPORT URBAIN : QUELLES SONT LES DONNEES MISES A DISPOSITION ? QUELS SONT LES STRATEGIES DES AUTORITES ORGANISATRICES ?
Bibliographic record
Abstract
Les données relatives au transport et à la mobilité mises à disposition en open data sont variées. Quelles sont-elles ? Certaines données sont-elles plus représentées que d'autres ? Quelles sont les stratégies des autorités organisatrices lorsqu'elles mettent à disposition du public ces données ? L'étude proposée inventorie les données mises à disposition dans 6 villes: Paris, Londres, New York, Toronto, Madrid et Singapour. 4 types de données sont présentes dans les bases. La donnée temps réel est la plus rare, c'est aussi la plus recherchée. 3 stratégies d'acteurs se dégagent in fine : ceux qui mettent à disposition la donnée brute, ceux qui délivrent un premier niveau de service, par exemple du calcul d'itinéraire, et vendent une donnée élaborée. Enfin ceux qui investissent dans des projets pour prendre une partie de la valeur que peut générer les applications issues du traitement de ces données.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.023 | 0.071 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.005 | 0.008 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.019 | 0.033 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".