基于駕駛學習人格劃分的交通安全教育方法研究

馮思鶴 程國柱

(東北林業大學交通學院 哈爾濱 150040)

0 引 言

隨著道路交通事業的迅猛發展，機動車保有量與機動車駕駛人數量飛速上升，我國越來越重視道路安全.目前我國的駕駛人安全教育主要采用“一視同仁”的教學方案，忽略了不同的駕駛人人格傾向在駕駛學習時會有不同的學習特點和學習模式，也忽略了不同人格在接受教育時對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.如何通過科學有效的教育方法提高駕駛人的安全駕駛意識，降低其的事故傾向性，對于大幅減少道路交通事故數量具有重要的現實意義.

Carol等[1-2]提出受教育者之間是存在顯著差異性，應進行針對性教育有利于加強教育效果.Jeffrey等[3]指出利用視頻作為教育方式可以有效提升營運駕駛員的安全駕駛水平.Tomer等[4]對不同駕駛人進行針對其的駕駛行為分析報告也可以有效降低駕駛人的風險駕駛行為頻率.Iversen等[5]的研究表明人格可以對駕駛人的風險駕駛行為和交通事故進行有效的解釋.Beirness[6]發現情緒中的沖動、敵對等因素可以有效解釋35%的風險駕駛行為.Mallia等[7]提出了針對機動車駕駛人的“人格-態度”模型，研究表明人格特征會直接或間接影響風險駕駛行為.羅楝等[8]對營運駕駛員安全教育方法進行了研究得到教育效果與合理的教育頻率有關.王雪松等[9]考慮了不同駕駛員的行為特征并證明針對性的安全教育會有效降低駕駛人的交通事故率.許清鵬等[10]研究了學習倦怠狀況與人格特征關系.彭杜宏等[11]研究了人格對學習的作用影響.張宏智等[12]研究發現積極的情感反饋有利于運動技能的訓練.桑海云等[13]探索了電動自行車駕駛人的人格、交通安全態度與風險駕駛行為的關系，發現神經質人格對風險駕駛行為有負向作用.李彥章等[14]得出駕駛行為和對交通安全的態度在駕駛人人格和交通事故之間有中介作用的結論.劉玲莉等[15]研究了駕駛人不安全駕駛行為與人格特質的關系，得到人格對不安全駕駛行為有不同程度的影響.張暉等[16]研究了動畫、視頻和汽車駕駛模擬平臺在駕駛人意識方面的教育作用.谷志朋等[17]研究了駕駛人對不同位置的危險感知力，右側最強、前方和左側適中.秦雅琴等[18]建立了可有效測評駕駛人在風險駕駛情景中的風險意識量表.

文中考慮了駕駛人在駕駛環境中的人格多樣性，通過無序多分類Logistic回歸模型建立駕駛人的駕駛學習人格劃分模型，通過該模型篩選在駕駛學習過程中的不同駕駛人格傾向的駕駛人，并進行實例驗證，設計有針對性的教育方案.

1 問卷調查

問卷設計結合國外駕駛行為問卷(DBQ)和普通心理學中四種個性測評方式(DISC)，使用李克特五點量表法，調查對象為城市中非職業的機動車駕駛人.設計問卷的調查內容為五類數據：駕駛人的基本屬性與事故數據，駕駛環境與日常工作環境，駕駛技能與習慣，風險預判能力，駕駛學習心理傾向.

基于問卷星平臺進行問卷制表、調查發放與收集.在大批量調查前進行問卷的信效度檢驗，檢驗結果為：在信度檢驗中，量表總問題數為20，總體克隆巴赫系數為0.719，見表1，信度在可接受范圍.在效度檢驗中，KMO取樣適切性量數為0.701，在巴特利特球形檢驗中近似卡方值為4 274.102，自由度為1 431，顯著性<0.001，故本問卷的結構效度良好，且變量間有共享因素的可能性，適合進行因素分析.檢驗通過后通過網頁的形式進行調查，共回收問卷531份，排除職業駕駛人及無駕齡人員無效問卷112份后，有效問卷共計419份，其中過去三年內發生事故的樣本數為63，占比15%.

表1 各量表及總體的信度檢驗

2 數據分析

由問卷信效度分析的有效因子碎石圖見圖1.曲線從第6個因子開始明顯變緩，在第13個后趨于穩定，故確定因子數應為6～13個，為保留更多的原始樣本數據以保留樣本特性選擇13個因子包含的變量題目，并將這些題目與問卷設計的調查目的相結合得到四大類數據：駕駛技能與習慣、風險預判能力、學習方式和駕駛學習人格.之后結合旋轉后的成分矩陣確定量表中每個問題的因子載荷系數值，可以分析出每個因子與變量的對應關系情況，并針對不合理的變量進行分析后考慮是否刪除.最終保留初步篩選關于駕駛學習人格的因子數有11個，其中有效的因子數為6個，其中刪除題目為32-8和35-6，其余32和35的量表題目保留.之后對駕駛學習人格的量表題目進行聚類分析，使用SPSS中的系統聚類，使用平均聯接組間譜系圖，28道題目被聚類為3類.根據題目本身設計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.各傾向對應的的題目見表2.

圖1 有效因子的碎石圖

表2 各人格傾向對應的題目

由表2可知：

1) 教條型駕駛學習人格傾向 該人格傾向的駕駛人的性格特點是神經活動弱而均衡的安靜型，有耐久力，注意力不易轉移但不夠靈活，善于觀察細小事物，情感發生較慢但持續很久、體驗深刻.其學習特點為學習慣性較大，進入學習狀態較慢，但適合緩慢逐步系統的學習.每次時間要長，學習模式要循序漸進有規律，需多方式對同一技能的講解與呈現.設計教育方案需持續強刺激加少量情緒訓練，多以呈現嚴重特殊情景為主.

2) 情緒型駕駛學習人格傾向 該人格傾向的駕駛人的性格特點是神經活動強而不均衡型，興奮性強，精力旺盛，心境變化劇烈敏感，反應迅速，注意力容易轉移，興趣容易變換，富于幻想.其學習特點為學習慣性較小，進入學習狀態較快，但適合精簡的系統學習，與大量實踐情景學習，快速多變的學習，每次時間要短但要頻繁，注重實踐，頻繁弱刺激加情緒刺激訓練，多以小型事故糾紛情景為主.

3) 冷靜型駕駛學習人格傾向 該人格傾向的駕駛人的性格特點是神經活動強而均衡的安靜型，有一定的耐力，注意力集中，情感波動適中，思維較為靈活.其學習特點為學習慣性一般，進入學習狀態正常，但適合系統的學習，每次時間頻率適中，注重實踐，多方位講解與呈現，持續弱刺激加偶發性強刺激，多以呈現嚴重特殊情景為主.

結合k-means聚類算法對被測人員進行聚類，其中聚類代號1共有個案數162個，聚類代號2共有個案數129個，聚類代號3共有個案數128個，故最終得到被測人員在系統中的聚類人格編號與三個人格傾向的量表計算值，將選取合適的模型進行回歸分析以得到駕駛學習人格傾向預測模型.由于初始聚類中心是默認隨機選取的，但因為K值是給定的，故聚類中心不存在變動或者僅有小幅變動，迭代26次后實現了收斂.為后期的模型有效性對比驗證，故保存k-means聚類之后的最終聚類中心，見表3.

表3 駕駛學習人格最終聚類中心

3 駕駛學習人格Logistic回歸分析模型

3.1 模型建立

通過SPSS對被測人員的聚類人格編號與三個人格傾向的量表計算值進行無序多分類Logistic回歸分析，其中將聚類人格編號“3”作為對比基準值，其計算結果見表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駕駛學習人格Logistic回歸分析模型.根據表5的分析結果可建立無序多分類Logistic回歸模型見式(1)～(2)，并對其推導如式(3)～(4)可得駕駛人學習人格的無序多分類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人的駕駛學習人格，用于其后續進行教育方案的選擇.

表5 駕駛學習人格傾向模型參數信息

記x1=教條型傾向，x2=冷靜型傾向，x3=情緒型傾向，故駕駛學習人格的無序多分類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)

經過推導可得屬于人格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回歸模型中的系數影響可確定人格1類即教條型駕駛學習人格傾向，人格2類即情緒型駕駛學習人格傾向，人格3類即冷靜型駕駛學習人格傾向.故可通過量表收集使用模型計算得出駕駛人的駕駛學習人格傾向，選取概率最大的值作為確定駕駛學習人格類別的依據.但有可能出現P1≈P2或P3的情況，這種時候就說明駕駛人的人格是復合型人格，在教育方案選取時也應將對應的方案進行復合.

3.2 實證分析

共選取200名志愿者進行試驗，把原數據的最終聚類中心作為新的初始聚類中心，將志愿者的數據進行聚類運算，計算其與三個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行運算，選取概率大的值所對應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行對比，模型準確率約78.6%.另外通過原數據進行模型有效性檢驗，對比模型劃分結果和聚類結果，模型準確率約為81.5%，故該模型可有效劃分駕駛人的駕駛學習人格.

4 交通安全教育方法

4.1 教育刺激方式的分析

根據無序多分類的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習人格作為參考數值.根據分析結果可知，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回歸模型分析結果

由表6可知:教條型傾向駕駛學習人格易受講授法或經驗交流與現場演示或觀看視頻的方式影響，也較為傾向于沉浸式場景模擬駕駛，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習人格易受講授法或經驗交流與沉浸式場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

根據駕駛人在駕駛時的被教育人格傾向和不同駕駛學習人格對教育刺激方式的不同傾向，將設計針對不同人格的防御性教育方案，以提高駕駛人的風險預判能力.在駕駛中存在的潛在風險點有四個方面：車輛本身的危險隱患，駕駛時的路面與道路線形情況，駕駛時的外部駕駛環境.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景.在模擬駕駛環境中設置不同場景如視線遮擋場景，緊急停車事件場景，指示燈損壞場景，行人或動物突然出現場景等.且在設計教育方案時考慮到駕駛人的遺忘規律，故需遵循艾賓浩斯遺忘曲線和動作操作遺忘曲線如圖2設置記憶時間點.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作操作遺忘曲線

表7 教條型駕駛學習人格教育方案

表8 情緒型駕駛學習人格教育方案

表9 冷靜型駕駛學習人格教育方案

5 結 論

1) 基于城市中非職業駕駛人的事故傾向性及駕駛學習人格傾向問卷調查，量化了駕駛學習人格的判斷指標，建立了基于性格測試量表與k-means聚類算法的Logistic回歸分析模型，通過該模型可有效區分駕駛人在駕駛中的被教育人格傾向，并進行了實例檢驗，模型準確率約為81.5%，可為設計培養駕駛人形成防御性駕駛的教育方案提供理論依據與參考.

2) 基于三種駕駛學習人格傾向，即：教條型駕駛學習人格傾向、情緒型駕駛學習人格傾向和冷靜型駕駛學習人格傾向，分析不同人格的教育刺激傾向，同時結合思維操作和動作操作遺忘曲線，設計針對三種駕駛學習人格的防御性駕駛教育方案，設置多種模擬場景，以提高駕駛人的風險預判能力，降低其故傾向性.

后續研究還需進一步擴大樣本量和研究對象的種類，以提高對駕駛學習人格劃分的精準性.同時，本文的防御性安全教育方案設置的場景不夠豐富，應增加場景的種類，以從多角度幫助駕駛人形成防御性駕駛的意識，增加安全教育方案的多樣性和適用性.