Association between leisure activity and risky driving behaviour in young drivers in Canada
Notice bibliographique
Résumé
Background: There are myriad risk factors for risky driving behaviour in youth. Perceived environment which is defined as the perception of driving risk and norms is the most complex factor. Leisure activities are a central part of youth’s daily lives that can substantially shape the driving perceived environment by providing the platform for interaction with peers, family, society, and media. However, the potential relationship between leisure activities and risky driving behaviour has seldom been studied. The purpose of this study was to examine the relationship between various leisure activities and risky driving behaviour among young drivers in Canada. Methods: An online survey-based cross-sectional study was conducted. Participants aged 16–24 years were approached through Facebook advertisements. The survey comprised of four questionnaires, namely, sociodemographic, personality trait (Mini-IPIP), leisure activities, and Behaviour Young Novice Driver Scale (BYNDS). Chi-square test examined differences between the driver group and proportional odds logistic regression was used to determine the relationship between the predictor variables and risky driving behaviour. Results: Participants (n=964), aged 18.34±2.31, were grouped into high risk (46.9%), medium risk (32.4%), and low risk (20.7%) drivers. Those with higher levels of drug engagement (OR=2.09, CI 95%=1.21-3.71), time with friends (OR=1.98, CI 95%=1.46-2.68), social media engagement (OR=1.83, CI 95%=1.34-2.49), and movie watching engagement (OR=1.52, CI 95%=1.00-2.31) tended to manifest more risky driving behaviour. In contrast, those with high levels of reading/writing engagement (OR=0.60, CI 95%= 0.42-0.85), volunteering engagement (OR=0.60, CI 95%=0.36-0.96), and playing video game engagement (OR=0.56, CI 95%=0.38-0.81) were less likely to perform risky driving behaviour. Other factors such as owning a car (OR=3.01, CI 95% 2.21-4.11), being male (OR=2.52, CI 95%=1.85-3.42), being simultaneously employed and a student, (OR=1.58, CI 95%=1.16-2.16), high driving exposure (OR=2.58, CI 95%=1.54-4.41), high neuroticism (OR=1.83, CI 95%=1.23-2.73), high extroversion (OR=1.60, CI 95%=1.09-2.35), and low imagination (OR=1.53, CI 95%=1.01-2.34) increased the likelihood of risky driving behaviour. Conclusions: This study provides new insight and explores the association between leisure activities and risky driving behaviour. Results from this study could be used to further explore leisure activities as a potential determinant of risky driving behaviour in future injury prevention research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».