Driving Safer: A Look at How Men and Women Use Advanced Driver Assistance Systems
Notice bibliographique
Résumé
Objective — This study investigates the nuanced landscape of gender-specific patterns in utilization of Advanced Driver Assistance Systems (ADAS), aiming to contribute insights to enhance road safety. Methods — Leveraging data from diverse sources, including Scopus, Web of Science, and Google Scholar, the method employed involves a meticulous examination of studies exploring gender differences in driving behaviors and ADAS adoption. Key factors influencing these differences, were analyzed including age, experience, and attitudes toward technology. Cultural and societal influences on gender-specific driving behaviors are explored, shedding light on the intricate interplay of perceptions and expectations. Results — The review identifies challenges in ADAS adoption, including limited awareness, misconceptions, and resistance to change. Opportunities for improvement are then outlined, encompassing comprehensive user training, clear communication of ADAS features, customizable settings, and incentives for ADAS-equipped vehicles. This study showed that men tend towards aggressive driving behaviors, while women prioritize caution and adherence to traffic rules. Women propensity for safety-oriented features such as lane-keeping assistance, while men display a preference for convenience-focused features such as adaptive cruise control and parking assistance. Conclusion — By addressing challenges and embracing opportunities, the study advocates for a future where ADAS technologies contribute significantly to safer and more equitable roadways for all drivers.
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 | 0,001 | 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 | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,001 |
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 ».