Risk perceptions of COVID-19 transmission in different travel modes
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
COVID-19 pandemic has caused adverse impacts on different aspects of life around the globe, including travelers' mode choice behavior. To make their travel safe, transportation planners and policymakers need to understand people's perceptions of the risk of COVID-19 transmission in different travel modes. This study aimed to estimate mode-wise perceived risk of viral transmission and identify the factors that influenced the perceived risk in Bangladesh. The study used a five-point Likert scale to measure the perceived risk of COVID-19 transmission in each travel mode. Using ordinal logistic regression models, the study explored the factors that influenced the perceived risk of COVID-19 transmission in different travel modes. The study found that people perceived a very high risk of viral transmission in public transport (bus), moderate risk in shared modes (rickshaw, auto-rickshaw, ridesharing), and very low risk in private modes (private car, motorcycle/scooter, walking, cycling). Such high-risk perception of viral transmission in public transport and shared modes might lead to a modal shift to private modes, which would worsen urban transport problems and undermine sustainable transportation goals. The study also found that socio-economic factors (gender, age, income) significantly influenced perceived risks in all travel modes. Contrarily, psychological factors (worry, care, and trust) were significant only for public and shared modes, but not for private modes. Lastly, travel behavior-related factors influenced perceived risk in shared and private modes.
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 | 0,003 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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) | 0,003 | 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