基于駕駛學(xué)習(xí)人格劃分的交通安全教育方法研究

馮思鶴 程國(guó)柱

(東北林業(yè)大學(xué)交通學(xué)院 哈爾濱 150040)

0 引 言

隨著道路交通事業(yè)的迅猛發(fā)展，機(jī)動(dòng)車保有量與機(jī)動(dòng)車駕駛?cè)藬?shù)量飛速上升，我國(guó)越來越重視道路安全.目前我國(guó)的駕駛?cè)税踩逃饕捎谩耙灰曂省钡慕虒W(xué)方案，忽略了不同的駕駛?cè)巳烁駜A向在駕駛學(xué)習(xí)時(shí)會(huì)有不同的學(xué)習(xí)特點(diǎn)和學(xué)習(xí)模式，也忽略了不同人格在接受教育時(shí)對(duì)不同教育刺激方式的接受程度不同.這都影響了交通安全駕駛的教育效果.如何通過科學(xué)有效的教育方法提高駕駛?cè)说陌踩{駛意識(shí)，降低其的事故傾向性，對(duì)于大幅減少道路交通事故數(shù)量具有重要的現(xiàn)實(shí)意義.

Carol等[1-2]提出受教育者之間是存在顯著差異性，應(yīng)進(jìn)行針對(duì)性教育有利于加強(qiáng)教育效果.Jeffrey等[3]指出利用視頻作為教育方式可以有效提升營(yíng)運(yùn)駕駛員的安全駕駛水平.Tomer等[4]對(duì)不同駕駛?cè)诉M(jìn)行針對(duì)其的駕駛行為分析報(bào)告也可以有效降低駕駛?cè)说娘L(fēng)險(xiǎn)駕駛行為頻率.Iversen等[5]的研究表明人格可以對(duì)駕駛?cè)说娘L(fēng)險(xiǎn)駕駛行為和交通事故進(jìn)行有效的解釋.Beirness[6]發(fā)現(xiàn)情緒中的沖動(dòng)、敵對(duì)等因素可以有效解釋35%的風(fēng)險(xiǎn)駕駛行為.Mallia等[7]提出了針對(duì)機(jī)動(dòng)車駕駛?cè)说摹叭烁?態(tài)度”模型，研究表明人格特征會(huì)直接或間接影響風(fēng)險(xiǎn)駕駛行為.羅楝等[8]對(duì)營(yíng)運(yùn)駕駛員安全教育方法進(jìn)行了研究得到教育效果與合理的教育頻率有關(guān).王雪松等[9]考慮了不同駕駛員的行為特征并證明針對(duì)性的安全教育會(huì)有效降低駕駛?cè)说慕煌ㄊ鹿事?許清鵬等[10]研究了學(xué)習(xí)倦怠狀況與人格特征關(guān)系.彭杜宏等[11]研究了人格對(duì)學(xué)習(xí)的作用影響.張宏智等[12]研究發(fā)現(xiàn)積極的情感反饋有利于運(yùn)動(dòng)技能的訓(xùn)練.桑海云等[13]探索了電動(dòng)自行車駕駛?cè)说娜烁?、交通安全態(tài)度與風(fēng)險(xiǎn)駕駛行為的關(guān)系，發(fā)現(xiàn)神經(jīng)質(zhì)人格對(duì)風(fēng)險(xiǎn)駕駛行為有負(fù)向作用.李彥章等[14]得出駕駛行為和對(duì)交通安全的態(tài)度在駕駛?cè)巳烁窈徒煌ㄊ鹿手g有中介作用的結(jié)論.劉玲莉等[15]研究了駕駛?cè)瞬话踩{駛行為與人格特質(zhì)的關(guān)系，得到人格對(duì)不安全駕駛行為有不同程度的影響.張暉等[16]研究了動(dòng)畫、視頻和汽車駕駛模擬平臺(tái)在駕駛?cè)艘庾R(shí)方面的教育作用.谷志朋等[17]研究了駕駛?cè)藢?duì)不同位置的危險(xiǎn)感知力，右側(cè)最強(qiáng)、前方和左側(cè)適中.秦雅琴等[18]建立了可有效測(cè)評(píng)駕駛?cè)嗽陲L(fēng)險(xiǎn)駕駛情景中的風(fēng)險(xiǎn)意識(shí)量表.

文中考慮了駕駛?cè)嗽隈{駛環(huán)境中的人格多樣性，通過無序多分類Logistic回歸模型建立駕駛?cè)说鸟{駛學(xué)習(xí)人格劃分模型，通過該模型篩選在駕駛學(xué)習(xí)過程中的不同駕駛?cè)烁駜A向的駕駛?cè)耍⑦M(jìn)行實(shí)例驗(yàn)證，設(shè)計(jì)有針對(duì)性的教育方案.

1 問卷調(diào)查

問卷設(shè)計(jì)結(jié)合國(guó)外駕駛行為問卷(DBQ)和普通心理學(xué)中四種個(gè)性測(cè)評(píng)方式(DISC)，使用李克特五點(diǎn)量表法，調(diào)查對(duì)象為城市中非職業(yè)的機(jī)動(dòng)車駕駛?cè)?設(shè)計(jì)問卷的調(diào)查內(nèi)容為五類數(shù)據(jù)：駕駛?cè)说幕緦傩耘c事故數(shù)據(jù)，駕駛環(huán)境與日常工作環(huán)境，駕駛技能與習(xí)慣，風(fēng)險(xiǎn)預(yù)判能力，駕駛學(xué)習(xí)心理傾向.

基于問卷星平臺(tái)進(jìn)行問卷制表、調(diào)查發(fā)放與收集.在大批量調(diào)查前進(jìn)行問卷的信效度檢驗(yàn)，檢驗(yàn)結(jié)果為：在信度檢驗(yàn)中，量表總問題數(shù)為20，總體克隆巴赫系數(shù)為0.719，見表1，信度在可接受范圍.在效度檢驗(yàn)中，KMO取樣適切性量數(shù)為0.701，在巴特利特球形檢驗(yàn)中近似卡方值為4 274.102，自由度為1 431，顯著性<0.001，故本問卷的結(jié)構(gòu)效度良好，且變量間有共享因素的可能性，適合進(jìn)行因素分析.檢驗(yàn)通過后通過網(wǎng)頁的形式進(jìn)行調(diào)查，共回收問卷531份，排除職業(yè)駕駛?cè)思盁o駕齡人員無效問卷112份后，有效問卷共計(jì)419份，其中過去三年內(nèi)發(fā)生事故的樣本數(shù)為63，占比15%.

表1 各量表及總體的信度檢驗(yàn)

2 數(shù)據(jù)分析

由問卷信效度分析的有效因子碎石圖見圖1.曲線從第6個(gè)因子開始明顯變緩，在第13個(gè)后趨于穩(wěn)定，故確定因子數(shù)應(yīng)為6～13個(gè)，為保留更多的原始樣本數(shù)據(jù)以保留樣本特性選擇13個(gè)因子包含的變量題目，并將這些題目與問卷設(shè)計(jì)的調(diào)查目的相結(jié)合得到四大類數(shù)據(jù)：駕駛技能與習(xí)慣、風(fēng)險(xiǎn)預(yù)判能力、學(xué)習(xí)方式和駕駛學(xué)習(xí)人格.之后結(jié)合旋轉(zhuǎn)后的成分矩陣確定量表中每個(gè)問題的因子載荷系數(shù)值，可以分析出每個(gè)因子與變量的對(duì)應(yīng)關(guān)系情況，并針對(duì)不合理的變量進(jìn)行分析后考慮是否刪除.最終保留初步篩選關(guān)于駕駛學(xué)習(xí)人格的因子數(shù)有11個(gè)，其中有效的因子數(shù)為6個(gè)，其中刪除題目為32-8和35-6，其余32和35的量表題目保留.之后對(duì)駕駛學(xué)習(xí)人格的量表題目進(jìn)行聚類分析，使用SPSS中的系統(tǒng)聚類，使用平均聯(lián)接組間譜系圖，28道題目被聚類為3類.根據(jù)題目本身設(shè)計(jì)的可將三類因素分別命名為教條型傾向，冷靜型傾向，情緒型傾向.各傾向?qū)?yīng)的的題目見表2.

圖1 有效因子的碎石圖

表2 各人格傾向?qū)?yīng)的題目

由表2可知：

1) 教條型駕駛學(xué)習(xí)人格傾向 該人格傾向的駕駛?cè)说男愿裉攸c(diǎn)是神經(jīng)活動(dòng)弱而均衡的安靜型，有耐久力，注意力不易轉(zhuǎn)移但不夠靈活，善于觀察細(xì)小事物，情感發(fā)生較慢但持續(xù)很久、體驗(yàn)深刻.其學(xué)習(xí)特點(diǎn)為學(xué)習(xí)慣性較大，進(jìn)入學(xué)習(xí)狀態(tài)較慢，但適合緩慢逐步系統(tǒng)的學(xué)習(xí).每次時(shí)間要長(zhǎng)，學(xué)習(xí)模式要循序漸進(jìn)有規(guī)律，需多方式對(duì)同一技能的講解與呈現(xiàn).設(shè)計(jì)教育方案需持續(xù)強(qiáng)刺激加少量情緒訓(xùn)練，多以呈現(xiàn)嚴(yán)重特殊情景為主.

2) 情緒型駕駛學(xué)習(xí)人格傾向 該人格傾向的駕駛?cè)说男愿裉攸c(diǎn)是神經(jīng)活動(dòng)強(qiáng)而不均衡型，興奮性強(qiáng)，精力旺盛，心境變化劇烈敏感，反應(yīng)迅速，注意力容易轉(zhuǎn)移，興趣容易變換，富于幻想.其學(xué)習(xí)特點(diǎn)為學(xué)習(xí)慣性較小，進(jìn)入學(xué)習(xí)狀態(tài)較快，但適合精簡(jiǎn)的系統(tǒng)學(xué)習(xí)，與大量實(shí)踐情景學(xué)習(xí)，快速多變的學(xué)習(xí)，每次時(shí)間要短但要頻繁，注重實(shí)踐，頻繁弱刺激加情緒刺激訓(xùn)練，多以小型事故糾紛情景為主.

3) 冷靜型駕駛學(xué)習(xí)人格傾向 該人格傾向的駕駛?cè)说男愿裉攸c(diǎn)是神經(jīng)活動(dòng)強(qiáng)而均衡的安靜型，有一定的耐力，注意力集中，情感波動(dòng)適中，思維較為靈活.其學(xué)習(xí)特點(diǎn)為學(xué)習(xí)慣性一般，進(jìn)入學(xué)習(xí)狀態(tài)正常，但適合系統(tǒng)的學(xué)習(xí)，每次時(shí)間頻率適中，注重實(shí)踐，多方位講解與呈現(xiàn)，持續(xù)弱刺激加偶發(fā)性強(qiáng)刺激，多以呈現(xiàn)嚴(yán)重特殊情景為主.

結(jié)合k-means聚類算法對(duì)被測(cè)人員進(jìn)行聚類，其中聚類代號(hào)1共有個(gè)案數(shù)162個(gè)，聚類代號(hào)2共有個(gè)案數(shù)129個(gè)，聚類代號(hào)3共有個(gè)案數(shù)128個(gè)，故最終得到被測(cè)人員在系統(tǒng)中的聚類人格編號(hào)與三個(gè)人格傾向的量表計(jì)算值，將選取合適的模型進(jìn)行回歸分析以得到駕駛學(xué)習(xí)人格傾向預(yù)測(cè)模型.由于初始聚類中心是默認(rèn)隨機(jī)選取的，但因?yàn)镵值是給定的，故聚類中心不存在變動(dòng)或者僅有小幅變動(dòng)，迭代26次后實(shí)現(xiàn)了收斂.為后期的模型有效性對(duì)比驗(yàn)證，故保存k-means聚類之后的最終聚類中心，見表3.

表3 駕駛學(xué)習(xí)人格最終聚類中心

3 駕駛學(xué)習(xí)人格Logistic回歸分析模型

3.1 模型建立

通過SPSS對(duì)被測(cè)人員的聚類人格編號(hào)與三個(gè)人格傾向的量表計(jì)算值進(jìn)行無序多分類Logistic回歸分析，其中將聚類人格編號(hào)“3”作為對(duì)比基準(zhǔn)值，其計(jì)算結(jié)果見表4～5.

表4 Logistic回歸模型擬合信息

表4為無序多分類Logistic回歸模型的擬合信息，可知該模型顯著性良好，可使用該模型建立3駕駛學(xué)習(xí)人格Logistic回歸分析模型.根據(jù)表5的分析結(jié)果可建立無序多分類Logistic回歸模型見式(1)～(2)，并對(duì)其推導(dǎo)如式(3)～(4)可得駕駛?cè)藢W(xué)習(xí)人格的無序多分類Logistic回歸模型的不同名義的概率模型為式(5)～(7)，故通過該模型可判斷駕駛?cè)说鸟{駛學(xué)習(xí)人格，用于其后續(xù)進(jìn)行教育方案的選擇.

表5 駕駛學(xué)習(xí)人格傾向模型參數(shù)信息

記x1=教條型傾向，x2=冷靜型傾向，x3=情緒型傾向，故駕駛學(xué)習(xí)人格的無序多分類logistic回歸模型為

(1)

(2)

其中，令

A1=-1.229+5.939x1-0.651x2-8.215x3

(3)

A2=-13.420+7.367x1-4.5222+25.469x3

(4)

經(jīng)過推導(dǎo)可得屬于人格1類，人格2類，人格3類的概率分別為

(5)

(6)

(7)

根據(jù)教條型傾向、冷靜型傾向、情緒型傾向量表題目走向與無序多分類Logistic回歸模型中的系數(shù)影響可確定人格1類即教條型駕駛學(xué)習(xí)人格傾向，人格2類即情緒型駕駛學(xué)習(xí)人格傾向，人格3類即冷靜型駕駛學(xué)習(xí)人格傾向.故可通過量表收集使用模型計(jì)算得出駕駛?cè)说鸟{駛學(xué)習(xí)人格傾向，選取概率最大的值作為確定駕駛學(xué)習(xí)人格類別的依據(jù).但有可能出現(xiàn)P1≈P2或P3的情況，這種時(shí)候就說明駕駛?cè)说娜烁袷菑?fù)合型人格，在教育方案選取時(shí)也應(yīng)將對(duì)應(yīng)的方案進(jìn)行復(fù)合.

3.2 實(shí)證分析

共選取200名志愿者進(jìn)行試驗(yàn)，把原數(shù)據(jù)的最終聚類中心作為新的初始聚類中心，將志愿者的數(shù)據(jù)進(jìn)行聚類運(yùn)算，計(jì)算其與三個(gè)聚類中心的歐式距離，選取最小的距離以得到該志愿者樣本的歸屬人格.再用本文中建立的模型進(jìn)行運(yùn)算，選取概率大的值所對(duì)應(yīng)的人格傾向作為志愿者樣本的人格傾向.最后將兩種途徑算出的人格進(jìn)行對(duì)比，模型準(zhǔn)確率約78.6%.另外通過原數(shù)據(jù)進(jìn)行模型有效性檢驗(yàn)，對(duì)比模型劃分結(jié)果和聚類結(jié)果，模型準(zhǔn)確率約為81.5%，故該模型可有效劃分駕駛?cè)说鸟{駛學(xué)習(xí)人格.

4 交通安全教育方法

4.1 教育刺激方式的分析

根據(jù)無序多分類的Logistic回歸模型可分析不同人格傾向的教育刺激方式，其中將人格代碼2的情緒型傾向駕駛學(xué)習(xí)人格作為參考數(shù)值.根據(jù)分析結(jié)果可知，模型擬合顯著性0.012<0.05通過，模型加入自變量后的模型明顯顯著于只有常量的模型，說明該自變量對(duì)因變量有顯著的影響，見表6.

表6 教育刺激方式的Logistic回歸模型分析結(jié)果

由表6可知:教條型傾向駕駛學(xué)習(xí)人格易受講授法或經(jīng)驗(yàn)交流與現(xiàn)場(chǎng)演示或觀看視頻的方式影響，也較為傾向于沉浸式場(chǎng)景模擬駕駛，在刺激形式上傾向于文字與視頻的方式.而情緒型傾向駕駛學(xué)習(xí)人格易受講授法或經(jīng)驗(yàn)交流與沉浸式場(chǎng)景模擬駕駛方式的影響，在刺激形式上傾向于圖片與視頻的方式.

4.2 防御性安全教育方案

根據(jù)駕駛?cè)嗽隈{駛時(shí)的被教育人格傾向和不同駕駛學(xué)習(xí)人格對(duì)教育刺激方式的不同傾向，將設(shè)計(jì)針對(duì)不同人格的防御性教育方案，以提高駕駛?cè)说娘L(fēng)險(xiǎn)預(yù)判能力.在駕駛中存在的潛在風(fēng)險(xiǎn)點(diǎn)有四個(gè)方面：車輛本身的危險(xiǎn)隱患，駕駛時(shí)的路面與道路線形情況，駕駛時(shí)的外部駕駛環(huán)境.防御性安全教育除了文字視頻等教育方式，還加入了模擬駕駛場(chǎng)景.在模擬駕駛環(huán)境中設(shè)置不同場(chǎng)景如視線遮擋場(chǎng)景，緊急停車事件場(chǎng)景，指示燈損壞場(chǎng)景，行人或動(dòng)物突然出現(xiàn)場(chǎng)景等.且在設(shè)計(jì)教育方案時(shí)考慮到駕駛?cè)说倪z忘規(guī)律，故需遵循艾賓浩斯遺忘曲線和動(dòng)作操作遺忘曲線如圖2設(shè)置記憶時(shí)間點(diǎn).不同的駕駛教育人格教育方案見表7～9.

圖2 艾賓浩斯遺忘曲線和動(dòng)作操作遺忘曲線

表7 教條型駕駛學(xué)習(xí)人格教育方案

表8 情緒型駕駛學(xué)習(xí)人格教育方案

表9 冷靜型駕駛學(xué)習(xí)人格教育方案

5 結(jié) 論

1) 基于城市中非職業(yè)駕駛?cè)说氖鹿蕛A向性及駕駛學(xué)習(xí)人格傾向問卷調(diào)查，量化了駕駛學(xué)習(xí)人格的判斷指標(biāo)，建立了基于性格測(cè)試量表與k-means聚類算法的Logistic回歸分析模型，通過該模型可有效區(qū)分駕駛?cè)嗽隈{駛中的被教育人格傾向，并進(jìn)行了實(shí)例檢驗(yàn)，模型準(zhǔn)確率約為81.5%，可為設(shè)計(jì)培養(yǎng)駕駛?cè)诵纬煞烙择{駛的教育方案提供理論依據(jù)與參考.

2) 基于三種駕駛學(xué)習(xí)人格傾向，即：教條型駕駛學(xué)習(xí)人格傾向、情緒型駕駛學(xué)習(xí)人格傾向和冷靜型駕駛學(xué)習(xí)人格傾向，分析不同人格的教育刺激傾向，同時(shí)結(jié)合思維操作和動(dòng)作操作遺忘曲線，設(shè)計(jì)針對(duì)三種駕駛學(xué)習(xí)人格的防御性駕駛教育方案，設(shè)置多種模擬場(chǎng)景，以提高駕駛?cè)说娘L(fēng)險(xiǎn)預(yù)判能力，降低其故傾向性.

后續(xù)研究還需進(jìn)一步擴(kuò)大樣本量和研究對(duì)象的種類，以提高對(duì)駕駛學(xué)習(xí)人格劃分的精準(zhǔn)性.同時(shí)，本文的防御性安全教育方案設(shè)置的場(chǎng)景不夠豐富，應(yīng)增加場(chǎng)景的種類，以從多角度幫助駕駛?cè)诵纬煞烙择{駛的意識(shí)，增加安全教育方案的多樣性和適用性.