MétaCan
Menu
Retour à la cohorte
Enregistrement W4306318354 · doi:10.1155/2022/3316535

What Affects Safety Perception of Female Ride-Hailing Passengers? An Empirical Study in China Context

2022· article· en· W4306318354 sur OpenAlexvenueno aff
Yazao Yang, Shixingyue Hu, Dingling Liao, Xianbo Huang

Notice bibliographique

RevueJournal of Advanced Transportation · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensnon disponible
Organismes subventionnairesHumanities and Social Science Fund of Ministry of Education of ChinaChongqing Jiaotong UniversityMinistry of Education of the People's Republic of ChinaNational Natural Science Foundation of China
Mots-clésPerceptionStructural equation modelingConfirmatory factor analysisContext (archaeology)Mobile phoneRisk perceptionPhoneApplied psychologyChinaTransport engineeringMarketingPsychologyEngineeringBusinessComputer scienceTelecommunications

Résumé

récupéré en direct d'OpenAlex

Ride-hailing services provide an efficient way to travel, but they also cause some safety incidents, which make female passengers uneasy. Analyzing the safety perceptions of female passengers, particularly their psychological and emotional responses, can assist operators in developing effective solutions and safe travel environments for them. This study explores factors that are likely to affect the safety perception of female ride-hailing passengers using a subjective method (data was obtained from 596 Chinese female passengers). The methodologies adopted mainly include confirmatory factor analysis (CFA) and a maximum-likelihood structural equation model (ML-SEM). A passenger safety perception model is developed by considering various elements such as safety expectation, platform trust, perceived environment, and safety awareness. The results revealed that safety perception is positively influenced by perceived environment and safety expectation (containing three subdimensions, namely, driver behavior, traveling together, and mobile phone dependence). The effects of safety awareness and platform trust on safety perception are mediated by perceived environment and safety expectation, respectively. Regarding overall effects, safety expectation is the most powerful predictor for safety perception of female ride-hailing passengers, followed by platform trust, perceived environment, and safety awareness. Finally, countermeasures are offered from the perspectives of operators, drivers, and passengers to enhance the safety perception of female ride-hailing passengers. A high level of ride-hailing safety would undoubtedly boost the female passenger’s trust and consequently ridership.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,060
Score d'incertitude au seuil0,120

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,294
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTransportation and Mobility InnovationsTravaux en français237 207