军队驾驶员交通差错与心理承受力及其影响因素的研究

目的探讨军队驾驶员交通差错与心理承受力的关系及其影响因素,为部队驾驶员的心理干预工作提供科学依据。方法采用随机整群抽样法,抽取某部390名驾驶员,根据有无交通差错分为研究组和对照组,对研究组322名有交通差错者和对照组68名无交通差错者采用军人心理承受力量表进行测评,样本数据应用t检验、Logistic逐步回归分析统计方法处理。结果研究组军人心理承受力量表总分(t=-3.77,P<0.001)及问题解决(t=6.95,P<0.001)、意志力(t=-3.75,P<0.001)、乐观自信(t=-4.82,P<0.001)4个因子得分明显低于对照组,差异具有统计学意义;人际交往、家庭支持2个因子差异无统计学意义(t=0.85、0.23,P>0.05)。研究组量表总分(t=2.71,P<0.01)及乐观自信得分(t=2.33,P<0.05)高于军人常模。Logistic逐步回归分析显示,军龄(β=-0.68,P<0.01)、问题解决(β=-1.54,P<0.001)、意志力(β=-1.51,P<0.001)为驾驶员交通差错的主要影响因素。结论交通差错组驾驶员的心理承受力低于非交通差错者,军龄、意志力、问题解决能力可致驾驶员交通差错的发生。

军队驾驶员交通差错与核心素质及特质应对的研究

目的探讨军队驾驶员交通差错与核心素质及特质应对的关系,为部队驾驶员的心理干预工作提供科学依据。方法采用随机整群抽样法,抽取某部390名驾驶员,根据有无交通差错分为研究组和对照组,对研究组322名有交通差错者和对照组68名无交通差错者采用军人核心素质量表及特质应对方式问卷进行测评,样本数据应用t检验、Logistic逐步回归分析统计方法处理。结果研究组军人核心素质量表中情绪调控、字符替换、词语推理因子得分低于对照组,差异具有统计学意义(t=2.992,2.585,-2.049;P<0.05),其余因子差异无统计学意义。研究组与对照组相比,军人特质应对方式问卷中积极应对、消极应对两因子差异均无统计学意义(t=1.362,-1.204;P<0.05)。Logistic逐步回归分析显示,情绪调控(β=-1.131,P=0.007)、字符替换(β=-1.878,P=0.058)、词语推理(β=0.526,P=0.040)为驾驶员交通差错的主要影响因素。结论核心素质可影响军队驾驶员的交通差错,这为以后驾驶员的心理干预工作提供了科学参考依据。

分析影响民航空中交通管制差错的因素及风险管理

随着当前科学技术的不断发展,越来越多的新兴科学技术不仅满足了人们的基本生活需求也满足了人们对于生活的更高期待。空中交通使得各个不同地区人们的相互联系变得更为便捷,民航不断发展壮大的同时,其安全问题也引起了人们的重视。众所周知,空中交通的安全性很大程度上会受到天气条件的影响,而这些因素是不可预测的,我们能够努力的方向即是尽可能降低人为因素对于空中交通安全性的影响。本篇文章首先对于民航空中交通管制中导致安全问题的因素进行分析,并进一步对于其风险管理方面提出了个人思考。

军队驾驶员特质应对方式及其影响因素的研究

目的探讨军队驾驶员的特质应对方式及其影响因素,有针对性地采取心理干预,提高其心理健康水平。方法采用随机整群抽样法,以特质应对方式问卷(CSQ)测评390名驾驶员特质应对方式。结果驾驶员积极特质应对方式得分显著低于常模(t=-26.41,P<0.01),消极特质应对方式得分显著高于常模(t=36.56,P<0.05),独立样本t检验发现,已婚者的积极特质应对方式得分高于未婚者(t=7.78,P<0.01);相关分析显示,军队驾驶员的文化程度与消极应对方式得分呈显著负相关(r=-0.121,P<0.01),交通差错与消极特质应对方式呈正相关(r=0.107,P<0.05);多元逐步回归分析发现,仅文化程度被纳入消极特质应对方式的回归方程(t=2.396,P=0.017)。结论军队驾驶员的特质应对方式较一般人群消极,婚姻状况、文化程度和交通差错是影响驾驶员特质应对方式的主要因素。

Modeling for Action of Recovering from Erroneous Driving Condition Based on Revised Decision Tree

Driving behavior modeling is very important in the research area of road traffic systems safety analysis. The characteristics of action of recovering from erroneous driving condition underlying road traffic accident or incident scenarios is quantitatively analyzed, the model of action of recovering from erroneous driving condition is set up according to the identification of erroneous driving condition and the measurement of correction from erroneous driving condition. And then, the probability of action of recovering from erroneous driving condition has been measured based on a revised decision tree. The measure process uses a combination of test data and subjective judgments of driving behavior. It can provide a very helpful theoretical basis for the further analysis of driving behavior in road traffic system.