Calcul a posteriori des distances dans les enquêtes ménages déplacements
Bibliographic record
Abstract
Les enquêtes ménages déplacements ne recueillent pas directement de données chiffrées sur les distances des déplacements. En effet, si les distances de déplacements peuvent être correctement estimées par les enquêtés, il est fréquent que les personnes interrogées ne connaissent pas ces distances lorsqu’elles se sont déplacées à pied ou surtout en transports collectifs. Mais les données présentes dans les fichiers de résultats des enquêtes ménages déplacements permettent de calculer ces distances.Ce document donne les méthodes possibles pour effectuer ce calcul, selon les outils disponibles,que ce soit pour les distances « réellement parcourues » ou les distances « à vol d’oiseau ». Les annexes détaillent les pistes explorées et non retenues pour les calculs. La sensibilité des méthodes aux différents paramètres a été testée et a servi à faire le choix de la « meilleure »méthode. Sont également données des recommandations pour disposer de bases fiables pour les calculs en termes de zonages, des données de cadrage permettant de valider les résultats, des informations sur les déplacements non retenus ainsi que les définitions utilisées.
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 | 0.003 | 0.019 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.009 |
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".