MétaCan
Menu
Retour à la cohorte
Enregistrement W4406226916 · doi:10.1016/j.trpro.2024.12.082

A Systematic Review on User Acceptance of Advanced Driver Assistance Systems (ADAS)

2025· review· en· W4406226916 sur OpenAlexafffund
KDP Damsara, Ana Rita de Santana Barros

Notice bibliographique

RevueTransportation research procedia · 2025
Typereview
Langueen
DomainePsychology
ThématiqueHuman-Automation Interaction and Safety
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlberta Motor Association Foundation for Traffic Safety
Mots-clésAdvanced driver assistance systemsComputer scienceTransport engineeringHuman–computer interactionEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The use of Advanced Driver Assistance Systems (ADAS) to enhance the safety of vehicle occupants and other road users has recently increased. Most vehicle users are not very familiar with the system. Therefore, the identification of factors affecting the user acceptance of ADAS technologies is important from a road safety perspective as well as for vehicle manufacturers. The systematic review focuses on the user acceptance factors identified by several studies conducted worldwide, along with their methods and models. The PRISMA flow strategy is employed for research identification, screening, eligibility checks, and inclusion in the review. The respective studies are identified through a database search and bibliographic check. After filtering the existing studies using a Systematic Classification Scheme (SCS), only thirteen studies are included. Through the screening of the available studies, fifteen user acceptance factors for ADAS technology are identified. Most of these studies have used existing technology acceptance models and behavioral models to identify user acceptance of ADAS technologies. Surprisingly, some significant factors were identified outside the existing models. Hence, the importance of developing a specific user acceptance model for ADAS technology is highlighted in this study. Since there are numerous ADAS technologies available in modern vehicles, the factors identified in this review will be helpful for future researchers to focus on the influence of each factor on the available ADAS features. Furthermore, vehicle manufacturers can also take these factors into account in their future vehicle designs to enhance user awareness and the acceptance of ADAS technologies in their vehicles.

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)0,018
score de la tête « metaresearch » (Gemma)0,080
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,095

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,080
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0050,006
Bibliométrie0,0120,012
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,092
Tête enseignante GPT0,499
Écart entre enseignants0,407 · 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'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations19
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTransportation research procediaMême sujetHuman-Automation Interaction and SafetyTravaux en français237 207