Risk Taking in Avalanche Terrain: A Study of the Human Factor Contribution
Notice bibliographique
Résumé
OBJECTIVE: To discover possible associations between the human factors and avalanche incidents. DESIGN: Self-report, intercept, and Web-based, 1-year retrospective, cross-sectional study. SETTING: Mountain Equipment Co-op stores in Calgary and Vancouver, Canada. PARTICIPANTS: People shopping at the store and who had entered avalanche terrain in the past 12 months were invited to complete the survey (n = 447). INDEPENDENT VARIABLES: Sex, age, sport activity, days of exposure, years of experience, socioeconomic status, level of training, risk propensity, and motivation. MAIN OUTCOME MEASURES: Experiencing an avalanche incident. RESULTS: Women and those traveling with women were less likely to experience an avalanche incident [odds ratio (OR) = 0.45; 95% confidence interval (CI), 0.21-0.96]. Those with the most training were more likely to report experiencing an avalanche incident (OR = 6.86; 95% CI, 2.37-19.83), but this difference was attenuated (OR = 2.25) and not statistically significant (95% CI, 0.57-8.81) after adjustment for exposure. Experience was not found to be a factor. Being motivated to seek intense experiences was found to be a factor (OR = 2.19; 95% CI, 1.03-4.66), whereas being motivated to create memorable experiences was protective (OR = 0.29; 95% CI, 0.10-0.86). CONCLUSIONS: The results of this study suggest that people exposing themselves to avalanche risk do so to satisfy inherited and learned motivational needs and that some motivations are associated with higher or lower risk taking than others. Training appears to be exploited so as to increase access to these benefits rather than reduce risk. Within this risk/reward paradigm, risk taking among men is moderated by the presence of a woman in the group.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».