郑新夷?康良凯?蹇美玲?杨艳群
摘 要 交通道路死亡是世界十大死亡原因之一,而依据个体驾驶心理能力特性预测其驾驶绩效并给予及时干预或培训,可在一定程度上减少交通事故伤亡。利用维也纳心理测试系统采集被试群体的八个心理能力特性,采用层次分析法获得驾驶心理能力特性的综合指标,并建立综合评价等级;接着搭建模拟驾驶实验采集被试驾驶行为绩效、认知负荷以及驾驶经验,以探究驾驶人心理能力特性对驾驶行为绩效的预测效果。最终发现驾驶心理能力特性综合评价对驾驶行为绩效有一定的预测作用,并通过认知负荷中介,且受到驾驶经验的调节。
关键词 心理能力特性;驾驶经验;认知负荷;驾驶绩效
分类号 B849
DOI:10.16842/j. cnki. issn2095-5588.2023.05.005
1 引言
2020年,我国道路交通事故24.5万起,造成受伤人数25.1万人,死亡人数超6万,直接财产损失13.13亿元人民币。世界卫生组织报告,交通道路死亡是世界十大死亡原因之一(World Health Organization, 2022)。學界由此开展事故原因分析研究,发现超过80%的道路交通事故主要由驾驶员因素导致(Ramisetty-Mikler & Almakadma, 2016)。因此有必要针对驾驶人的驾驶心理能力特性开展研究,尝试开发评估驾驶心理能力特性的综合分析方法,并考察驾驶心理能力特性对驾驶行为绩效的预测效果,为驾驶人的安全行为研究提供理论依据。
长期以来,驾驶人的交通事故倾向性和“驾驶适宜性”密切相关。“驾驶适宜性”是指驾驶人具备顺利完成驾驶任务的基本素质,包括不断感知和了解道路交通状况,预测可能的危险,并迅速做出决策和执行安全驾驶的行为(Schomerus et al., 1981)。驾驶适宜性水平主要受到生理条件、心理特性和后天练习而获得的驾驶技能的影响。其中,生理条件包括视力、身体状况等,心理特性包括心理能力特性、人格特征等,驾驶技能主要依靠积累驾驶经验(Harris et al., 2014; Shen et al., 2018)。值得注意的是,驾驶适宜性没有统一的测量标准,以往有研究将逻辑推理能力、复杂选择反应、简单选择反应、视野范围、分散注意、主观接受水平、社会责任感、自我控制等要素通过人工神经网络和逻辑回归的双重方法计算,发现与驾驶相关的人格特质对驾驶安全行为预测的效度贡献为29.8%,而与驾驶相关的能力特质总共对预测效度的贡献为44.9%,即驾驶心理能力比人格特质对驾驶绩效的预测更重要(H?usler, 2010)。
1.1 驾驶心理能力特性
驾驶心理能力特性是驾驶人在信息处理过程中所表现出来的自身特征,是驾驶时最基本心理素质,在车辆设计、道路设计等交通安全领域都开展过驾驶人心理特性研究(杜美, 2022; 张博涵等, 2021)。心理能力特性测试通常采用迷你精神状态检查表(Lincoln et al., 2006)、连线测验 (Piersma et al., 2016)和有效视野测试 (Anstey et al., 2012)等。然而,Bennett等(2016)通过元分析发现,使用单一心理能力特性测试来预测驾驶心理能力,其结果不一致,即单项心理能力特性无法准确预测驾驶行为绩效。Seong等(2014)的元分析也有相似的结论。因此,有必要整合多项心理能力特性综合评估驾驶心理能力。
1.2 驾驶心理能力测试工具
维也纳心理测试系统(VTS)是奥地利Schuhfried公司开发的计算机心理测试系统,在驾驶员、飞行学员选拔等领域有较强的预测和筛查效度(吴颖超等, 2015)。VTS中的驾驶适宜性测试模块基于驾驶行为理论模型,该理论模型认为驾驶行为包括三个阶段:驾驶行为的规划、驾驶行为的执行和驾驶结果的预期(Groeger, 2001)。这三个阶段可以通过VTS系统测量驾驶相关的六个心理能力,具体包括:驾驶行为规划能力的测量采用自适应矩阵测试;驾驶行为执行能力的测量采用集中力测试;驾驶结果的预期能力采用自适应速视交通感知测试、反应力测试、决断力测试和周边感知测试。
以往基于驾驶适宜性模块测评的研究表明,决断力测试、反应力测试有助于预测驾驶适宜性(H?usler, 2010),自适应速视交通感知测试能较好地预测道路驾驶行为绩效(Wang et al., 2015),自适应矩阵测试、周边感知测试对驾驶绩效和危险感知有显著预测作用(Vetter et al., 2018; Zhang et al., 2022)。然而,这些研究只利用了模块中的某几项测试,将测试组分裂开来单独分析有悖模块测试的初衷,忽略了各项心理能力特征之间可能存在相互影响,且存在对驾驶绩效的权重程度不一致的结果。因此,在使用测试驾驶适宜性的心理能力时,应该基于驾驶行为理论的三个阶段获得测试驾驶人心理特性的整体模块。
1.3 影响驾驶行为绩效的重要因素——认知负荷和驾驶经验
澳大利亚认知心理学家 Sweller 于 20 世纪提出认知负荷理论,该理论将认知负荷分为外在认知负荷、内在认知负荷和关联认知负荷。认知负荷理论被广泛应用到工程学领域(Paxion et al., 2015)。在交通心理研究中,道路的复杂程度以及在驾驶过程中的非驾驶任务(比如听音乐或操控车载设备等)都会影响驾驶认知负荷,并对驾驶行为绩效产生作用。比如,驾驶人在高速公路、城市道路、乡村道路中驾驶,其认知负荷在复杂的城市道路中最高,而在简单的高速公路环境下最低(Yang et al., 2021; Zheng et al., 2020);在驾驶中听快节奏音乐也会导致认知负荷升高,降低了危险识别水平(Choudhary et al., 2022);在驾驶中使用车载系统,影响了驾驶的主观认知负荷,从而影响驾驶行为绩效(Cooper et al., 2013)。
此外,习得的驾驶经验对驾驶心理能力特性的发展有促进作用。研究表明,经验丰富的个体能更快构建驾驶心理模式,采用最有效和最相关的策略应对每个驾驶任务(Gog et al., 2010)。驾驶经验越丰富,驾驶绩效越好,具体表现在事故、超速违规和危险驾驶行为的减少(Girotto et al., 2016; Wang et al., 2015)。此外,先天的心理能力特性在驾驶初期对驾驶行为绩效的影响更大,而随着驾驶经验的积累,驾驶经验在驾驶心理能力特性和驾驶绩效之间存在调节作用(Guo, 2019)。
综上所述,为综合评价驾驶心理能力特性,考察认知负荷因素和驾驶经验在驾驶心理特性水平和驾驶绩效之间的作用,本研究首先综合多项心理能力特性,利用层次分析法建立心理能力特性综合评价等级;再通过驾驶模拟实验,利用熵权法综合驾驶行为绩效,探究以认知负荷为中介、以驾驶经验为调节的心理能力特性对驾驶绩效的预测。
2 方法
2.1 被试
研究招募福州大学在校大学生和研究生。招募条件为已拿到驾驶执照,听力、视力或矫正听力、视力正常,无色弱色盲症和3D眩晕症。共招募100名被试,首先测量其驾驶心理特性,剔除极端数据后,得到有效被试96名。男性62人(64.60%),女性34人(35.4%),年龄在19岁到26岁之间(M=22.27,SD=2.01)。之后召回被试共65名参加模拟驾驶实验,其中有效被试62名。男性39人(62.9%),女性23人(37.1%),年龄在19岁到26岁之间(M=22.47,SD=2.05)。驾驶经验在1公里到150千公里之间(M=12.5,SD=29.9)。
2.2 研究工具
首先采用VTS的驾驶适宜性测试模块测量八项驾驶心理能力特性(逻辑推理、集中力、反应压力耐受、视野范围、分散注意力、决策速度、运动速度、概览能力)。
如图1所示,逻辑推理能力测试要求被试在无时间限制的情况下识别给定矩阵的规则,根据规则从八个选项中选出正确图形;决策速度和运动速度测试要求被试将手指放在休息按钮上,当黄色圆圈與高频音同时出现时,将手指从休息按钮上移开,并按下响应面板上休息按钮上方的一个按钮;反应压力耐受性测试要求被试对五种视觉刺激(白光、黄光、蓝光、绿光、红光),两种听觉刺激(高、低频音),以及两种踏板作出反应;集中力测试要求被试比较一个抽象的参考图和四个比较图,并确定它是否与四个比较图中的一个相匹配;视野范围和分散注意测试要求被试对沿着视野边缘移动的光刺激作出反应;概览能力测试要求被试回忆快速呈现的道路交通场景图。
其次采用DSR-1000TS2.0模拟驾驶系统采集驾驶行为数据(纵向速度平均值、侧向速度平均值、稳态质心侧偏角平均值、纵向速度标准差、方向盘转角标准差和稳态质心侧偏角标准差)。根据被试群体的特点,本研究设计的模拟驾驶场景要求被试在一定负荷条件下顺利完成驾驶。因此,模拟路段总计8公里,是一条位于乡村的双向二级公路。公路除直行路外共包含五个弯道(分别长530米、260米、190米、100米和290米)和五个隧道(分别长350米、310米、230米、60米和320米),路上无交通流。该场景在弯道和直行路处无中央分隔带,但设有单黄虚线;在隧道处设有中央分隔带。该虚拟道路标志标线都根据《国家标准-道路标志和标线》(GB5768.2-2009)设置。驾驶任务设置在天气状况良好的白天进行。
最后采用NASA-TLX量表测量被试的认知负荷(Hart & Staveland, 1988)。NASA-TLX量表由两部分组成,第一部分用六个维度评估认知负荷,包括心理需求、体力需求、时间需求、个人表现、努力及挫折感。第二部分对六个维度进行成对比较。通过让参与者对这些维度的相关性打分,来减少参与者和任务背景之间的可变性,同时求得每个维度的权重,最后通过两部分的平均加权得到被试认知负荷总分。
2.3 研究流程
实验开始前,要求被试阅读并签署一份知情同意书。首先采用VTS系统进行心理能力特性测试。完成整个测试过程,人均耗时50分钟。所有被试完成测试后,一周后召回被试进行模拟驾驶实验。被试首先进行十分钟左右的模拟驾驶训练以熟悉设备操控,然后开展正式模拟驾驶场景实验,最后完成NASA-TLX量表。
3 研究结果
3.1 驾驶心理能力特性评价等级
利用层次分析法构建心理能力特性综合指标。具体步骤如下:
第一步,构建层次结构,目标层为驾驶适宜性,准则层为各项特性指标。第二步,构造判断矩阵,基于专家们对指标重要性的判断和标度赋值,综合获得判断矩阵。第三步,一致性检验。(1)计算判断矩阵的最大特征根λmax,公式为λmax=。其中,Bi为判断矩阵的第i个行向量,利用Matlab求得判断矩阵的最大特征根;(2)计算判断矩阵的一致性指标CI,检验其一致性,公式为CI=。(3)找出随机一致性指标RI。RI取值与矩阵的阶数有关,在本研究中取RI=1.40。(4)计算一致性比率CR,公式为CR=。第四步,层次单排序。利用公式为Wi=,计算结果见表1。第五步,计算综合指标得分T,公式为T=。其中,w对应各个指标的权重,X对应相应的标准参照分数的变量。第六步,剔除极端值后,基于综合指标分数定义驾驶人驾驶心理能力特性评价的四个类别,结果见表2。
3.2 模拟驾驶行为实验
本研究利用熵权法构建一个综合驾驶行为绩效指标。具体步骤如下:第一步,确定指标体系。纳入的驾驶行为绩效指标为:纵向速度平均值、侧向速度平均值、稳态质心侧偏角平均值、纵向速度标准差、方向盘转角标准差和稳态质心侧偏角标准差。第二步,临界值归一化处理。第三步,计算指标的熵和权。(1)计算第i个用户的第j个指标的比重yij公式为yij=;(2)计算第j个指标的信息熵ej,公式为ej=。其中k为常数,k=;(3)计算第个指标的权重wj,公式为wj=。第四步,计算指标加权得分。公式为S=。
基于综合驾驶绩效与综合驾驶心理能力特性分类,采用SPSS 26.0进行单因素方差分析,不同驾驶心理能力特性等级在综合驾驶绩效上存在显著差异(F(2,58)=7.74,p<0.01,偏η2=0.21),见表3。
进一步检验综合驾驶心理能力特性等级之间的综合驾驶行为绩效,结果发现,“合格”组被试的综合驾驶行为绩效的均值分别显著低于“良好”组(MD=-0.11,p< 0.05)和“优秀”组(MD=-0.16,p< 0.05),但是“良好”组的综合驾驶行为绩效和“优秀”组的无显著差异(MD=-0.05,p> 0.05)。
采用单因素方差分析检验不同驾驶心理能力特性组的认知负荷差异,结果显示,不同驾驶心理能力特性等级在认知负荷上存在显著差异(F(2,58)=4.14,p<0.05,偏η2=0.13),见表4。
进一步检验综合驾驶心理能力特性等级之间的认知负荷,结果发现,“合格”组认知负荷的均值分别顯著高于“良好”组(MD=1.35,p< 0.05)和“优秀”组(MD=1.06,p< 0.05),但是“良好”组的认知负荷和“优秀”组的无显著差异(MD=-0.29,p> 0.05)。
采用层次回归和Process程序的Bootstrap法检验认知负荷的中介作用。认知负荷的中介效应检验结果如表5所示,在控制了人口学变量后,综合心理能力特性不仅能显著正向预测综合驾驶绩效(β=0.40,t=3.30,p< 0.01),也能显著负向预测认知负荷(β=-0.31,t=-2.44,p< 0.05)。当加入认知负荷这一中介变量后,综合驾驶心理能力特性仍然能显著正向预测综合驾驶绩效(β=0.29,t=2.45,p < 0.05),但是效应值从0.40减小到0.29。同时,认知负荷也能显著负向预测综合驾驶绩效(β=-0.35,t=2.89,p< 0.01),即此模型的直接路径和间接路径均显著。认知负荷的中介效应值为0.08,其Bootstrap 95%置信区间不包含0,认知负荷在综合心理能力特性对综合驾驶绩效的预测中起中介作用。
将驾驶经验一同纳入模型分析时,可以看到综合心理能力特性与经验的乘积项对综合驾驶绩效的预测作用显著(β=-0.51,t=-2.49,p<0.05),即经验在综合心理能力特性对综合驾驶绩效的预测中起调节作用。
不同经验水平的综合心理能力特性对综合驾驶绩效的预测作用如表6所示,经验水平较低时,综合心理能力特性的效应值为0.42,其95%Bootstrap 置信区间不包含0;经验水平较高时,综合心理能力特性的效应值为-0.19,其95%Bootstrap置信区间包含0。驾驶经验在综合心理能力特性与综合驾驶绩效之间的调节作用如图2所示。
4 讨论
本研究通过驾驶心理能力特性综合评价,提出测量驾驶适宜性的评估方法,并检验其对驾驶行为的有效预测性,同时探索驾驶认知负荷在驾驶心理能力特性和驾驶行为之间的中介作用,以及驾驶经验的调节作用机制。
4.1 心理能力特性评价等级及验证
本研究基于驾驶行为理论的驾驶行为规划、决策和执行三个连续阶段,将逻辑推理、集中力、反应压力耐受、周边感知能力、简单反应力和概览能力六个心理能力特性的八个子项目纳入考虑,利用层次分析法求得各子项目在驾驶适宜性评估中所占的权重,进而获得可用来评估驾驶适宜性的心理能力特性综合指标。综合指标得分在[39.00, 42.63)区间的为“不合格”,得分在[42.63, 49.67)区间的为“合格”,得分在[49.67, 54.08)区间的为“良好”,得分在[54.08, 62.00]区间的为“优秀”。
随后采用驾驶模拟舱采集驾驶行为数据指标,利用熵权法构建驾驶绩效综合指标。在对综合心理能力特性评价等级进行验证时,无论是基于综合驾驶绩效,还是基于认知负荷,“合格”组被试分别与“良好”组和“优秀”组差异均显著,但是,“良好”组的被试与“优秀”组的被试均值差异不显著。这可能是因为出现了天花板效应,即模拟驾驶实验的场景复杂度或任务难度不够,无法区分出“良好”组被试和“优秀”组被试,具体表现在研究采用的道路交通场景是一条乡村道路,没有设置应激环境,该实验道路场景对于学生驾驶人来说,考察的是驾驶过程的基本操控行为,缺少考察对道路应激条件下的避险操控,而以往研究表明,“老司机”(优秀组)相对于其他群组,在驾驶应激环境下更能够安全且及时操控车辆。另外一个可能的原因是,由于本研究招募的被试来自高校的大学生和研究生群体,囿于日常交通出行工具的限制,他们的驾驶经验不足,以至于驾驶绩效不能达到实际水平上的“优秀”,故“良好”组和“优秀”组在驾驶绩效和认知负荷上没有统计学意义上的差异,但是本研究发现他们与“合格”组的显著差异,大致说明本研究采用的评估方法可以区分两个类别,即“合格”驾驶人和“良好”驾驶人。本研究结果发现,“合格”驾驶人的驾驶安全行为偏低,不仅是由于其驾驶心理特性偏低,同时也受到驾驶经验不足的影响。因此,本研究的应用价值在于,为保障道路安全,应给予驾驶绩效显著更差的“合格”组驾驶人更多的社会关注,在交通安全实践中提供针对性的驾驶适宜性培训、干预和评估。
4.2 心理能力特性对驾驶绩效的影响机制
本研究发现驾驶心理能力特性对驾驶行为绩效的影响是通过认知负荷中介的。驾驶心理能力特性越优,其驾驶相关行为所需认知负荷越少。Nengchao等(2017)发现不同交通信息量的交通标志对驾驶人的驾驶行为绩效效应显著,证明认知负荷显著影响驾驶行为绩效。对于综合心理能力特性低的驾驶人,在驾驶场景复杂度较高时,要减少次任务的执行,以确保足够的认知资源安全执行驾驶任务。
本研究也发现综合心理能力特性对驾驶行为绩效的作用受驾驶经验调节。这与Borowsky等(2010)的研究结果一致,老年驾驶人虽然心理能力特性下降,但是相较于无经验的驾驶人,他们有更好的驾驶行为绩效。因为驾驶人有一定的驾驶经验后,能构建更多关于驾驶活动的心理图式,并通过图式快速响应道路交通信息类别,同时还能把这些图式储存在长期记忆中。比如,Zheng等(2020)研究发现相比于新手驾驶人的视觉搜索模式,经验丰富的驾驶人的视觉搜索习惯更有利于行车安全。因此,有经验的驾驶人通过应用特定任务的策略降低信息处理成本,从而有效地执行驾驶任务。
4.3 不足與展望
在本文的基础上,未来可以在以下几个面进行进一步的研究:
(1)本研究的样本均为在校大学生和研究生,驾驶出行需求不足,驾驶经验普遍偏低只能代表高校学生群体,不能代表更广泛的驾驶群体,这使得对驾驶经验调节作用的检验有待进一步验证。未来可选取更多有丰富驾驶经验的社会样本,以进一步检验驾驶经验的调节作用。
(2)本研究设置的道路交通场景比较单一,缺少复杂的道路生态指标,后续研究可通过设置驾驶生态应激指标,比如行人突然穿行公路,前车突然变道等道路场景,分情况考察驾驶人的驾驶行为反应,作为区分“优秀”和“良好”驾驶人群的重要评价指标。
(3)未来在对心理能力特性与驾驶绩效之间的作用机制的研究中需要考察更多的影响因素,以研究不同层级因素之间如何共同影响驾驶绩效。比如,从个体微观水平(驾驶人格特质)、群体社会规范遵从水平(驾驶亲社会行为)以及社会交通安全文化水平(驾驶道德规范水平)等方面开展综合因素的机制模型研究。
参考文献
杜美(2022). 基于驾驶特性的指路标志信息量与行车安全关系探究. 中国公路, 29(3),112-113.
吴颖超,邹志康,孙金杰,夏青,马中立 (2015). 维也纳心理测试系统在飞行学员心理选拔中的应用价值. 军事医学, 39(2),97-100.
张博涵,卢少波,谢文科,谢菲菲 (2021) 考虑驾驶人特性的一主多从混合博弈容错控制. 中国公路学报, 34(9),161-171.
Anstey, K. J., Horswill, M. S., Wood, J. M., & Hatherly, C. (2012). The role of cognitive and visual abilities as pre-dictors in the multifactorial model of driving safety. Acc-idient Analysis and Prevention, 45, 766-774.
Bennett, J. M., Chekaluk, E., & Batchelor, J. (2016). Cognitive tests and determining fitness to drive in dem-entia: A systematic review. Journal of the American Ger-iatrics Society, 64(9), 1904-1917
Borowsky, A., Shinar, D., & Oron-Gilad, T. (2010). Age, skill, and hazard perception in driving. Accident Analysis and Prevention, 42(4), 1240-1249.
Choudhary, P., Gupta, A., & Velaga, N. R. (2022). Perceived risk vs actual driving performance during distracted dri-ving: A comparative analysis of phone use and other se-condary distractions. Transportation Research Part F: Traffic Psychology and Behaviour, 86(3), 296-315.
Cooper, J. M., Medeiros-Ward, N., & Strayer, D. L. (2013). The impact of eye movements and cognitive workload on lateral position variability in driving. Human Factors, 55(5), 1001-1014.
Girotto, E., Andrade, S. M. D., González, Alberto Durán, & Mesas, A. E. (2016). Professional experience and traffic accidents/near-miss accidents among truck drivers. Acci-dent Analysis and Prevention, 95, 299-304.
Gog, T. V., Paas, F., & Merri?nboer, J. (2010). Uncovering expertise-related differences in troubleshooting perfo-rmance: Combining eye movement and concurrent verbal protocol data. Applied Cognitive Psychology, 19(2), 205-221.
Groeger, J. A. (2001). Understanding driving: Applying cognitive psychology to a complex everyday task. Opt-ometry and Vision Science, 78(11), 635-636.
Guo, M., Hu, L., & Ye, L. (2019). Cognition and driving safety: How does the high-speed railway drivers cog-nitive ability affect safety performance? Transportation Research Part F: Traffic Psychology and Beh-aviour, 65, 10-22.
Harris, P. B., Houston, J. M., Vazquez, J. A., Smither, J. A., Harms, A., Dahlke, J. A., & Sachau, D. A. (2014). The Prosocial and aggressive driving Inventory (PADI): A self-report measure of safe and unsafe driving behaviors. Accident Analysis and Prevention, 72(9), 1-8.
Hart, S. g. , & Staveland, L. E. (1988). Development of NASA-TLX (Task Load Index): Results of Empirical and Theoretical Research. Advances in Psychology, 52, 139-183.
H?usler, J. (2010). Cognitive and personality determinants of post-injury driving fitness. Archives of Clinical Neuropsychology the Official Journal of the National Academy of Neuropsychologists, 25(2), 99-117.
Lincoln, N. B., Radford, K. A., Leea, E., & Reay, A. C. (2006). The assessment of fitness to drive in people with dementia. International Journal of Geriatric Psychiatry, 21(11), 1044-1051.
Nengchao, L., Lian, X., Wu, C., Fu, Q., & Deng, C. (2017). Driver's cognitive workload and driving performance under traffic sign Information exposure in complex environments: A case study of the highways in China. International Journal of Environmental Research and Public Health, 14(2), 203-228.
Paxion, J., Galy, E., & Berthelon, C. (2015). Overload depending on driving experience and situation comp-lexity: Which strategies faced with a pedestrian crossing? Applied Ergonomics, 51(6), 343-349.
Piersma, D., Fuermaier, A., Waard, D. D., Davidse, R. J., Groot, J. D., Doumen, M. & Vermeeren, A. (2016). Prediction of fitness to drive in patients with Alzheimer's Dementia. Plos One, 11(2), e0149566.
Ramisetty-Mikler, S., & Almakadma, A. (2016). Attitudes and behaviors towards risky driving among adolescents in Saudi Arabia. International Journal of Pediatrics and Adolescent Medicine, 3(2), 55-63.
Schomerus, H., Hamster, W., Blunck, H., Reinhard, U., Mayer, K., & Dolle, W. (1981). Latent portasystemic encephalopathy. 1. nature of cerebral functional defects and their effect on fitness to drive. Digestive Diseases and Sciences, 26(7), 622-630.
Seong-Youl, C., Jae-Shin, L., & Song, A. Y. (2014). Cognitive test to forecast unsafe driving in older drivers: Meta-analysis. Neurorehabilitation, 35(4), 771-778.
Shen, B., Qu, W., Ge, Y., Sun, X., & Zhang, K. (2018). The relationship between personalities and self-report positive driving behavior in a Chinese sample. Plos One, 13(1), e0190746.
Vetter, M., Schünemann, A. L., Brieber, D., Debelak, R., Gatscha, M., Grünsteidel, F., ... & Ortner, T. M. (2018). Cognitive and personality determinants of safe driving performance in professional drivers. Transportation research part F: Traffic Psychology and Behaviour, 52, 191-201.
Wang, Y., Li, M., Du, J., & Mao, C. (2015). Prevention of ta-xi accidents in Xi'an, China: What matters most? Central European Journal of Public Health, 23(1), 77-83.
World Health Organization. (2022). World health statistics 2022: Monitoring health for the SDGs, sustainable development goals. Retrieved October 14, 2022, from https://www.who.int/data/gho/publications/world-health-statistics
Yang, Y., Chen, M., Wu, C., Easa, S. M., & Zheng, X. Y. (2020). Structural equation modeling of drivers' situation awareness considering road and driver factors. Frontiers in Psychology, 11(7),1601-1610.
Yang, Y. Q., Feng, Y., Easa, S. M., & Zheng, X. Y. (2021). Evaluation of mental load of drivers in long highway tunnel based on electroencephalograph. Frontiers in Psychology, 12, 646406.
Zhang, D. N., Chen, F., Zhu, J. Y., Wang, C. Z., Cheng, J. C., Zhang, Y. L., . . . &Zhang, P. (2022). Research on drivers' hazard perception in plateau environment based on vis-ual characteristics. Accident Analysis and Prevention, 166,106540.
Zheng, X. Y., Yang, Y. Q., Easa, S., Lin, W., & Cherchi, E. (2020). The effect of leftward bias on visual attention for driving tasks. Transportation Research Part F: Traffic Psychology and Behaviour, 70(2), 199-207.