Türkiye'de Uzun Bisiklet Parkurlarının Bisiklet Kullanımına Etkisinin İncelenmesi
Bibliographic record
Abstract
Kentsel hareketliliğin arttığı, daha yoğun ve kompleks bir yaşam tarzı edindiğimiz son yıllarda artan trafik problemlerine çözüm üretme mecburiyeti ortaya çıkmıştır. Sürdürülebilir ulaşım kapsamında değerlendirilen ve son yıllarda hızla popülaritesi artan mikro hareketlilik kavramı, bisiklet ve skuter gibi bireysel ulaşım araçlarını ve yaya ulaşımını kapsamaktadır. Ayrıca, hala etkisinde olduğumuz Covid-19 pandemisi ile bireysel hareketliliğin sağlık etkisi öne çıkmakta, ilgili kurumlarında da bu konuda geçici ve kalıcı altyapı hizmetleri sunduğu görülmektedir. Bu çalışma, ülkemizde aktif bisiklet kullanıcılarının, Türkiye’deki uzun bisiklet parkurlarına karşı bakış açılarını değerlendirmek ve kullanıcıların mevcut durum değerlendirmesini, beklentilerini, talep ve şikayetlerini araştırmak amacı ile yapılmıştır. Elde edilen sonuçlarda, sürüş güvenliği, sürüş kolaylığı, fiziksel altyapı kalitesi ve motorlu taşıtlarla olan etkileşimi az olan parkurların insanlar tarafından tercih sebebi olduğu vurgulanmıştır. Aynı zamanda, bisiklete sahip olmayan insanların büyük çoğunluğunun bisiklet altyapısının yeterli olduğu güvenli parkurlarda bisiklet kullanma fikrine olumlu yaklaştığı görülmüştür. Bisiklet yolları ile ilgili bilgilerin dinamik olarak kullanıcılarla paylaşılması konusunda kurumların etkin bir politika izlemediği ifade edilmiştir.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.035 | 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".