Sci Rep
Yousaf Adnan et al.
2026-05-21
本研究針對巴基斯坦623名駕駛進行網路問卷調查，運用可解釋的機器學習技術（如 CatBoost、XGBoost）探討危險駕駛、偏差行為及正向行為與自報車禍的關聯。結果顯示，攻擊性駕駛與負面情緒等危險行為是預測車禍風險的關鍵因素，展現了機器學習在駕駛風險評估中的實用性。
- 運用 CatBoost 與 XGBoost 等可解釋機器學習模型能有效預測駕駛車禍風險
- 攻擊性駕駛、風險行為與負面情緒等危險駕駛特徵與過去三年的車禍經驗顯著相關
- 將駕駛行為量表與機器學習結合，能提升交通風險因子評估的準確度與解釋力
🏥 臨床 / 實務應用
實務上可利用此類可解釋的機器學習模型開發駕駛風險篩檢工具，針對具攻擊性與高負面情緒的駕駛提供客製化的防制或心理介入措施，以降低事故發生率。
相關研究
測量與方法學