Safety Related Behaviors and Law Adherence of Shared E-Scooter Riders in Germany
Notice bibliographique
Résumé
Shared e-scooters, whose supply and coverage keeps increasing in many cities around the globe, are rapidly changing mobility in urban road environments. As rising injury rates have been observed alongside this new form of mobility, researchers are investigating potential factors that relate to safe/unsafe e-scooter use. In Germany, e-scooter sharing platforms were only recently permitted in the middle of 2019, and their number has increased steadily since then. The aim of this study was to assess key factors that relate to their safe use, through a direct observation of e-scooters conducted at three observation sites around Berlin. Helmet use, dual use, type of infrastructure use, and travel direction correctness were registered for 777 shared e-scooters during 12.5 h of observation. Results reveal a high level of rule infractions, with more than one quarter of observed shared e-scooter riders using incorrect infrastructure, and one in ten e-scooter users riding against the direction of traffic. Dual use (i.e., two riders per e-scooter), was observed for 5.1% of shared e-scooters. Moreover, none of the riders observed in this study used a helmet on their shared e-scooter. These results point to a need for better communication and enforcement of existing traffic rules regarding infrastructure use and dual use. Further, they indicate a lack of efficacy of safety-related advice of shared e-scooter providers, who promote helmet use in their smartphone application and directly on their e-scooters.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».