Passenger Safety in Ride-Sharing Services
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the rise of ride-sharing services available in the world, it has ease users to commute with app based services and cashless transactions. The introduction of ride-sharing companies in the start gave the users the liberty to use one application and account to be used universally. However, with the rise of such services, one question that does ring a bell is the passenger safety, especially in countries with loose law controls. This paper focuses on the aspect of passenger safety in ride-sharing services. There have been reports of harassment, assault and robbing passengers on these rides. However, no strict measures could be taken because of the company not having full control over the driver, vehicle and ride. Poor feedback system has also added fuel to the fire. As much as they are filling the gap of better services across the world, there is a dire need of having possible security measures to make sure that rider safety is ensured from the start of the journey till he/she reaches the destination. Different suggestions that have been given include the introduction of mandatory dash cams in the rides through which the rider can put a live transmission of his/her ride on social media or YouTube, in order to have more eyes. Moreover, an introduction of watchdog network, which can volunteer to monitor rides, can also keep an eye on the transmission and can contact lawmakers in case of emergency. A distress alarm on the app can be made available, which can report discomfort of the rider or suspicious behaviour of the driver. Other measures like keeping indoor lights on during after-dark hours, display of ride sharing company's sticker on front and rear of the car and introduction of passenger insurance add-on in the ride type can also enhance security of the rider. (C) 2018 The Authors. Published by Elsevier B.V.
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.
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 | 0,001 |
| 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 découle