Analysis of factors that may be essential in the decision to fly on fully autonomous passenger airliners
Notice bibliographique
Résumé
Summary This research investigates factors that influence opinion in the decision to fly on fully autonomous passenger airliners primarily from the perspective of aviation and technology professionals. Bayesian statistical inference and a two‐level fractional factorial survey are used to sample passengers' views on fully autonomous airliners. Eight trust, safety, and cost factors are incorporated into a vignette set in the future. Factors include automation levels, safety records, liability guarantees, airline integrity, and service disruptions. Dependent variables exist in five post‐vignette questions and essentially ask “Would you” or “Would you not” be willing to fly on a fully autonomous airliner? Sixteen versions of the vignette, each with unique trust, safety, and cost levels, present varying (unknown) degrees of influence to the survey respondents. For every demographic, the research shows a 99% statistically significant difference between the “prior” and “posterior” sampled population proportions willing to fly. The most significant positive influence involves integrity characteristics of the airline, while the most negative influence relates to life insurance liability guarantees. Research from 2003 suggested that this mode of travel would be acceptable to only 10.5% of respondents. When the 2003 research is used as a Bayesian prior probability, the resulting posterior probability for the demographics sampled can be modeled as a beta distribution, indicating 95% probability that the sampled proportion of the population willing to fly is between 33.2% and 36.4%. After adjusting for age and profession demographics to match the US population, the 95% probability bounds on the proportion willing to fly are 31.35% and 34.15%. Copyright © 2015 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».