Understanding bicycle sharing systems: user and system insights from three cities in North America
Bibliographic record
Abstract
L'objectif principal de cette dissertation est d'examiner les SVLS d'un point de vue systémique, ainsi que de la perspective des usagers, afin de contribuer à notre compréhension de ces systèmes innovateurs, et comment ils influencent nos systèmes de transports urbains. Cette dissertation examine les SVLS de trois villes Nord-Américaines : BIXI à Montréal, au Canada; DIVVY à Chicago, et CitiBike à New York aux États-Unis.D'un point de vue systémique, cette dissertation se penche sur trois questions. Premièrement, ce document quantifie l'influence de données météorologiques, temporelles, d'infrastructure cyclable, de l'utilisation du territoire, et de l'environnement urbain sur l'utilisation des SVLS, à travers l'usage de modèles linéaires multi-niveaux mixtes. Deuxièmement, la présence de corrélations spatio-temporelles dans l'usage des SVLS est investiguée grâce au développement de modèles panels d'erreur spatiale et de délai spatial. Troisième, nous explorons la présence et l'influence de l'endogénéité de la décision d'installer de l'infrastructure de SVLS sur le « véritable » impact de l'infrastructure de SVLS sur l'utilisation des SVLS. En termes de perspective de l'usager, cette dissertation étudie le comportement des SVLS au niveau de trajets individuels afin d'examiner les choix de destination des cyclistes. Spécifiquement, le processus de décision impliqué dans le choix d'une destination après avoir choisi un vélo à une station de SVLS est étudié. Cette dissertation investigue aussi l'influence de la taille des échantillons sur les perspectives d'usager et du système. Spécifiquement, une évaluation systématique de l'impact de la taille des échantillons sur les résultats des modèles, des mesures d'inférence, et la capacité de prédiction est proposée.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 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".