FIABILISATION DES RECUEILS DE DONNÉES D'ENQUÊTES OD ROUTIÈRES
Bibliographic record
Abstract
La qualité des enquêtes sur les déplacements des individus, de manière générale, dépend à la fois du mode de passation des questionnaires (enquêtes en face à face, auto-administrées) [Cete NP, 2004] et de la manière dont le suivi aura pu être fait pendant toute la phase de l'enquête, depuis sa préparation jusqu'à la fourniture des données recueillies. C'est particulièrement vrai sur certains types d'enquêtes comme les enquêtes Origine Destination (enquêtes OD) routières réalisées par interviews des conducteurs de véhicules en face à face où: − les personnes chargées de réaliser ces enquêtes sont surtout des personnes faisant ce travail d'enquêteur de façon très occasionnelle, comme « boulot » d'appoint (étudiants, retraités, personnes à la recherche d'un emploi), et donc peu familiarisées aux objectifs de ce type d'enquête et aux vocabulaires employés dans les questionnaires; − les enquêteurs sont en permanence sous pression, car ce sont des enquêtes très courtes (moins de 3 minutes), nécessitant de leur part une forte réactivité pour faire face à certaines situations difficiles (mécontentement des usagers enquêtés, incompréhension des questions, ...). Cet article se propose de faire le point sur les méthodes développées au Cete NP pour améliorer la qualité du recueil des déplacements dans les enquêtes OD: formulation des questions dans les questionnaires, suivi et contrôle terrain des interviews [Certu, 2008] et [Setra, 2010] et apurement des données. Sur ce dernier point, le Cete NP a expérimenté et mis au point plusieurs méthodes pour fiabiliser les informations sur les OD. Il s'agit de vérifier que l'OD déclarée est cohérente avec le lieu et le sens d'enquête. Compte tenu des volumes et de la diversité des OD enquêtées, les méthodes développées s'appuient en partie sur des processus de contrôles automatiques: soit à partir d'outils de type logiciel d'affectation de trafic (mais ces outils coûteux n'existent pas toujours sur le territoire enquêté), soit à partir de concepts purement mathématiques (facilement reproductibles), s'appuyant notamment sur le calcul et la comparaison des distances OD directes et via le poste d'enquête, et l'analyse de l'angle formé par l'origine, le poste d'enquête et la destination. Les tests réalisés permettent en moyenne de contrôler automatiquement la moitié des OD enquêtées sur un poste d'enquête. L'autre moitié des OD est contrôlée « à la main » en opérant un regroupement des origines et des destinations dites « semblables » selon le principe suivant: plus un point donné est éloigné du poste d'enquête plus il peut être regroupé avec d'autres points.
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 | 0.038 | 0.222 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.006 |
| Bibliometrics | 0.017 | 0.008 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.018 | 0.010 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.006 |
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".