Investigating the Effect of Urban New Technologies on the Iranian Lorry Drivers’ Behavior
Notice bibliographique
Résumé
Most accidents are directly related to driving offenses, and drivers who commit more offenses are more prone to accidents. Therefore, reducing driving offenses can reduce accidents. In other words, the recognition of common driving offenses among heavy vehicle (truck) drivers and the effective factors in directing them to reduce driving offenses can consequently reduce the frequency and severity of accidents. It seems that there is a necessity for in-depth studies to carry out research on this topic. The main objective of this study is to identify and evaluate important factors affecting lorry drivers committing traffic offenses. To achieve the goals, the required information was categorized into six categories: traffic tonnage, not fastening the seatbelt, speeding, technical defect, talking on cell phone, and lacking towing worksheet; these factors are known as dependent variables. Also, its influencing factors—in the group of driver characteristics, vehicle, and mileage—were obtained by using a demographic questionnaire, Driving Behavior Questionnaire (DBQ), and interviews with 420 drivers over 60 days at Tehran Terminal. After correcting incomplete questionnaires, 351 drivers’ information was used for statistical analysis. The statistical analysis of data using a multivariate logistic regression model showed that drivers loading and unloading five or six times per month are less likely to commit overloading than drivers loading and unloading more than 12 times per month. The results also show that the distracted drivers with less slip behavior are less likely to commit unauthorized speed offenses and 85.4% are less likely to commit this violation. Finally, the statistical analysis showed that drivers with aggressive driving behavior were more likely to commit a lack of towing worksheet offenses.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».