Sociodemographic Factors Associated With Aggressive Driving Behaviors of 3-Wheeler Taxi Drivers in Sri Lanka
Notice bibliographique
Résumé
Little is known about the nature and scope of aggressive driving in developing countries. The objective of this study is to specifically examine the sociodemographic factors associated with aggressive driving behavior among 3-wheeler taxi drivers in Sri Lanka. Convenience samples of 3-wheeler taxi drivers from Rathnapura, Ahaliyagoda, Sri Lanka were surveyed from June to August 2006. Analyses included bivariate and multivariate logistic regression. Drivers with less than high school education were 3.5 times more likely to drive aggressively (odds ratio [OR] = 3.46; 95% confidence interval [CI] = 1.08, 11.1). Single drivers were 9 times more likely to run red lights (OR = 8.74; 95% CI = 2.18, 35.0), and being single was a major risk factor for drunk driving (OR = 4.80; 95% CI = 1.23, 18.7). Furthermore, high school completers were 4 times more likely to bribe a policeman (OR = 4.27; 95% CI = 1.23, 14.9) when caught violating the road rules. Aggressive driving and risk-taking behavior are amenable to policy initiatives, and preventive programs targeted at key groups could be used to improve road safety in Sri Lanka. This study demonstrates that aggressive driving behavior is associated with sociodemographic factors, including the level of education, marital status, and other socioeconomic factors. Hence, economic factors should be addressed to find solutions to traffic-related issues. It will be the government's and policy makers' responsibility to try and understand the economic factors behind risky road behavior and bribe-taking behavior prior to legislating or enforcing new laws.
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) | 0,001 | 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 | 0,001 |
| 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 ».