Social Psychological Models of Choice Behavior and Drivers' Left Turns
Notice bibliographique
Résumé
ABSTRACT. The authors reanalyzed data from a simulated left-turn experiment (P. A. Hancock, J. K. Caird, S. Shekhar, & M. Vercruyssen, 1991) to test the adequacy of the nonlinear Gray-Tallman satisfaction balance model of choice behavior (L. N. Gray & I. Tallman, 1984) in predicting left turns. Participants (Hancock et al., 1991) were 40 experienced U.S. drivers who were exposed to simulated oncoming traffic; the size of the vehicle (motorcycle, compact vehicle, full-sized vehicle, delivery truck), its speed (10-70 mph, or 16-112 kmph), and the intervehicle time gap (3-9 s) varied. Hancock et al. (1991) measured (a) the likelihood of a left turn and (b) the occurrence of a collision. The probability of a left turn was greater for larger intervehicle time gaps and for oncoming smaller vehicles traveling at higher speeds. The Gray-Tallman (1984) model explained 69% of the variation in turning versus 57% for a linear regression model. In making decisions people tend to treat the values and costs affecting choices in a multiplicative, rather than linear, fashion. The Gray-Tallman model also has the potential for incorporating, both theoretically and mathematically, an unlimited range of potential values and costs that may influence left turn decisions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».