Identifying Big Five Personality Traits through Controller Area Network Bus Data
Notice bibliographique
Résumé
As adapting vehicles to drivers’ preferences has become an important focus point in the automotive sector, a more convenient, objective, real-time method for identifying drivers’ personality traits is increasingly important. Only recently has increased availability of driving signals obtained via controller area network (CAN) bus provided new perspectives for investigating personality differences. This study proposes a new methodology for identifying drivers’ Big Five personality traits through driving signals, specifically accelerator pedal angle, frontal acceleration, steering wheel angle, lateral acceleration, and speed. Data were collected from 92 participants who were asked to drive a car along a pre-defined 15 km route. Using statistical methods and the discrete Fourier transform, some time-frequency features related to driving were extracted to establish models for identifying participants’ Big Five personality traits. For these five personality trait dimensions, the coefficients of determination of effective predictive models were between 0.19 and 0.74, the root mean squared errors were between 2.47 and 4.23, and the correlations between predicted scores and self-reported questionnaire scores were considered medium to strong (0.56–0.88). The results showed that personality traits can be revealed through driving signals, and time-frequency features extracted from driving signals are effective in characterizing and identifying Big Five personality traits. This approach could be of potential value in the development of in-car integration or driver assistance systems and indicates a possible direction for further research on convenient psychometric methods.
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 | 0,001 |
| 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 ».