Analysis of Individuals’ Acceptance and Influencing Factors for Young Users of Autonomous Vehicles Using the Hybrid Choice Model
Notice bibliographique
Résumé
Autonomous vehicles (AVs) are a vital direction for intelligent transportation; nevertheless, the current research is insufficient, and the aspects and mechanisms that influence individuals’ adoption of AVs require additional investigation. This study examines the acceptance of the popularity of AVs from three perspectives: personal-psychological attributes, travel characteristics attributes, and latent variables. The descriptive statistical analysis revealed that the acceptance rate of AVs was 54.6% based on 304 valid questionnaires received through online questionnaires. And the proportion of the 18∼50 group in the article reached 92.8%; thus, this study takes the young group as the object to investigate the acceptance of AVs. A quantitative analysis of each factor’s impact on the acceptability of AVs was conducted using the hybrid choice model (HCM), which was utilized to observe the link between latent variables. Results from parameter estimates demonstrate that the HCM’s fitting impact when latent factors are taken into account is superior to that when latent variables are not taken into account. When latent variables are taken into account, the associated goodness ratio coefficient rises by 0.2337 to 0.2898, which is greater than the model as a whole. The three factors with the highest impact on AV acceptability among the five latent variables were attitude toward use, sense of use gain, and perceived trust, with matching z-test values of 2.42, 2.44, and 2.12, respectively. The development and marketing of AVs by pertinent businesses and government agencies would benefit greatly from this research as a source of reference.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».