Evaluating Rainy Weather Effects on Driving Behaviour Dimensions of Driving Behaviour Questionnaire
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
This study aims to develop a modified version of the existing driving behaviour questionnaire (DBQ) by including items related to driving behaviour under rainy conditions to evaluate driving behaviour changes and their implications. A survey of 680 drivers in Iran was conducted with the modified DBQ considering rainy conditions. Exploratory and confirmatory factor analysis concluded a four-factor solution (high velocity with a law violation, slips, positive and cautious behaviours, and aggressive driving behaviours) with a 52% explanation of variance. One of the most affected driving behaviours during rainfall is the tendency of high velocity with law violation behaviours. Compared to male drivers, female drivers showed lower high-velocity behaviours with law violation when driving in dry weather and in rainy weather. Married drivers have not only less tendency to drive fast or violate the law compared to single drivers but are also less susceptible to these actions during rain. It was observed that young drivers under 25 did not change their aggressive driving behaviours in rainy conditions. The results from this study are valuable resources to help transportation agencies to understand drivers’ likely behaviour in rainy conditions and develop appropriate countermeasures to minimize the risky behaviours. Also, since aggressive driving, high acceleration, and speed variance have been reported to result in high fuel consumption and emissions, the findings from this study are valuable resources to understand the relationship between weather, driver behaviour, and emissions in future studies.
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 | 0,000 |
| 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