Bilinçli Farkındalık ve İyilik Halinin Sürücü Davranışlarıyla İlişkisinin İncelenmesi
Bibliographic record
Abstract
Pozitif psikoloji kavramlarının sürücü davranışları üzerindeki rolüne ilişkin çalışmalara gittikçe artan bir ihtiyaç duyulmaktadır. Bu çalışma, bilinçli farkındalık ve iyilik hali ile riskli sürücü davranışları (hatalar, ihmaller, saldırgan ihlaller ve sıradan ihlaller) ve pozitif sürücü davranışları arasındaki ilişkileri araştırmayı amaçlamıştır. Araştırmaya 19-70 yaşları arasında toplam 249 ehliyetli sürücü katılmıştır (%53,4 kadın). Veriler, Demografik Bilgi Formu, Toronto Bilgece Farkındalık Ölçeği, Sürücü Davranışları Anketi ve İyilik Hali Ölçeği kullanılarak toplanmıştır. Değişkenler arasındaki ilişkileri incelemek için Hiyerarşik Regresyon Analizleri yapılmıştır. Sonuçlar, iyilik hali ve bilinçli farkındalığın pozitif sürücü davranışlarıyla pozitif yönde ilişkili olduğunu göstermiştir. Ek olarak, bilinçli farkındalık, trafik ortamlarındaki hatalar, agresif ihlaller ve sıradan ihlallerle negatif yönde ilişkili olarak bulunmuştur. Bu çalışma, pozitif psikoloji kavramlarının pozitif ve negatif sürücü davranışları üzerindeki rolünü inceleyen ilk örneklerden biridir. Bulgular, bu pozitif kavramların trafik ortamında önemini göstermektedir. Buna göre bilinçli farkındalık ve iyilik haline odaklanan müdahaleler, yol güvenliğini artırmak için olumlu sürücü davranışlarını artırabilir ve riskli sürücü davranışlarını azaltabilir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".