Análisis del tiempo de ascenso de pasajeros en buses de la ciudad de Bogotá usando un diseño factorial
Bibliographic record
Abstract
Mediante un estudio comparativo por observación se analizan en un diseño factorial los tiempos de ascenso por pasajero en rutas urbanas de la ciudad de Bogotá. A través de mediciones en terreno de los tiempos de detención de los buses en distintos paraderos de la ciudad, dando prioridad a los casos donde suceden ascensos de usuarios exclusivamente, dos tratamientos fueron involucrados en el experimento, la tipología vehicular con tres niveles (bus pequeño, bus mediano y bus grande) y la ocupación del bus con dos niveles (pocos y muchos pasajeros de pie). Se encontró que los datos originales no siguen una distribución normal y por tanto la variable respuesta fue objeto de transformación para estabilizar la varianza. Sobre los datos transformados, mediante un análisis de varianza de dos factores, se probó que tanto las diferentes tipologías vehiculares que operan en el transporte público de la ciudad como la ocupación del bus, tienen efectos en el tiempo de ascenso por pasajero. Con comparaciones múltiples se encontró que los buses pequeños, para bajos y altos niveles de ocupación, presentan tiempos de ascenso por pasajero significativamente diferentes en comparación con los buses medianos y grandes, y que la ocupación del bus genera diferencias significativas en la variable respuesta sólo para el bus mediano y grande. El modelo resultante fue un diseño factorial sin interacción el cual produjo una explicación del 46% de variabilidad de los datos transformados
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".