Evaluating the Effectiveness of Safety Awareness Initiatives in Promoting Helmet Adoption among E-Bike Riders
Notice bibliographique
Résumé
E-bikes have gained significant popularity in China from their convenience and eco-friendliness, but the lack of helmet use among riders poses serious head injury risks. This study evaluated the effectiveness of safety campaigns and educational initiatives in promoting helmet adoption among e-bike riders in Guangdong Province, China, across three perceived effectiveness levels: ineffective, moderately effective, and effective. Data from a questionnaire survey were analyzed using an optimized eXtreme Gradient Boosting (XGBoost) model, with hyperparameters tuned via Optuna and performance validated through 10-fold cross-validation, achieving 84.6% accuracy. Class imbalance was addressed using the synthetic minority over-sampling technique, yielding macro-averaged precision, recall, and F1-scores of approximately 0.82, indicating balanced predictive performance. Model interpretability with SHapley Additive exPlanations (SHAP) identified safety education frequency, enforcement of helmet use, riding experience, ideal education locations, attitudes toward helmet use, and age group as the most influential predictors of helmet adoption effectiveness. Safety education frequency contributed most at the ineffective (25.36%) and effective (18.65%) levels, while enforcement was most influential at the moderately effective level (19.11%), with persuasion-plus-fines outperforming education-only strategies. Partial dependence plots (PDPs) and individual conditional expectation (ICE) plots showed that monthly or quarterly education substantially improves perceived effectiveness, whereas infrequent or no education increases perceived ineffectiveness. Younger riders (under 25 years) and those with negative helmet attitudes were more likely to perceive initiatives as ineffective. Findings highlight actionable recommendations: institutionalizing frequent safety education in high-impact locations, integrating enforcement with education, and tailoring interventions to demographic and attitudinal profiles, offering policymakers evidence-based approaches to enhance helmet adoption and rider safety.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».