論文の概要: Exploring acceptance of autonomous vehicle policies using KeyBERT and
SNA: Targeting engineering students
- arxiv url: http://arxiv.org/abs/2307.09014v1
- Date: Tue, 18 Jul 2023 07:03:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 16:01:32.002503
- Title: Exploring acceptance of autonomous vehicle policies using KeyBERT and
SNA: Targeting engineering students
- Title（参考訳）: KeyBERTとSNAによる自動運転車政策の受容:工学系学生を対象として
- Authors: Jinwoo Ha, Dongsoo Kim
- Abstract要約: 韓国の政策立案者は、自動運転車と自律走行ロボットを次世代の輸送手段と見なしている。
本研究では,産業・機械・電子計算機分野の大学院生のコメントに2つのテキストマイニング手法を適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This study aims to explore user acceptance of Autonomous Vehicle (AV)
policies with improved text-mining methods. Recently, South Korean policymakers
have viewed Autonomous Driving Car (ADC) and Autonomous Driving Robot (ADR) as
next-generation means of transportation that will reduce the cost of
transporting passengers and goods. They support the construction of V2I and V2V
communication infrastructures for ADC and recognize that ADR is equivalent to
pedestrians to promote its deployment into sidewalks. To fill the gap where
end-user acceptance of these policies is not well considered, this study
applied two text-mining methods to the comments of graduate students in the
fields of Industrial, Mechanical, and Electronics-Electrical-Computer. One is
the Co-occurrence Network Analysis (CNA) based on TF-IWF and Dice coefficient,
and the other is the Contextual Semantic Network Analysis (C-SNA) based on both
KeyBERT, which extracts keywords that contextually represent the comments, and
double cosine similarity. The reason for comparing these approaches is to
balance interest not only in the implications for the AV policies but also in
the need to apply quality text mining to this research domain. Significantly,
the limitation of frequency-based text mining, which does not reflect textual
context, and the trade-off of adjusting thresholds in Semantic Network Analysis
(SNA) were considered. As the results of comparing the two approaches, the
C-SNA provided the information necessary to understand users' voices using
fewer nodes and features than the CNA. The users who pre-emptively understood
the AV policies based on their engineering literacy and the given texts
revealed potential risks of the AV accident policies. This study adds
suggestions to manage these risks to support the successful deployment of AVs
on public roads.
- Abstract（参考訳）: 本研究は,テキストマイニングを改良した自律走行(AV)ポリシーのユーザ受け入れを検討することを目的とする。
近年、韓国の政策立案者は、ADC(Autonomous Driving Car)とADR(Autonomous Driving Robot)を、乗客や商品の輸送コストを下げる次世代の輸送手段と見なしている。
彼らは、ADCのためのV2IとV2V通信インフラの構築をサポートし、ADRが歩道への展開を促進するために歩行者と同等のものであることを認識している。
本研究は、エンドユーザーによるこれらの政策の受容が不十分なギャップを埋めるために、産業・機械・電子計算機分野の大学院生のコメントに2つのテキストマイニング手法を適用した。
1つはTF-IWFとDice係数に基づく共起ネットワーク分析(CNA)であり、もう1つは、コンテキスト意味ネットワーク分析(C-SNA)であり、この2つは、文脈的にコメントを表すキーワードを抽出し、二重コサイン類似性である。
これらのアプローチを比較する理由は、AV政策の影響だけでなく、この研究領域に品質の高いテキストマイニングを適用する必要性のバランスを取るためである。
特に,テキストの文脈を反映しない頻度ベースのテキストマイニングの限界や,意味ネットワーク分析(sna)におけるしきい値調整のトレードオフが検討された。
2つのアプローチを比較した結果、C-SNAはCNAよりも少ないノードと機能を使用してユーザの声を理解するために必要な情報を提供した。
エンジニアリングリテラシーと与えられたテキストに基づいて、事前にAVポリシーを理解したユーザは、AV事故ポリシーの潜在的なリスクを明らかにした。
本研究は、公道でのAVの展開を成功させるために、これらのリスクを管理することを提案する。
関連論文リスト
- Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳（メタデータ） (2024-05-14T09:42:21Z) - Symbolic Imitation Learning: From Black-Box to Explainable Driving
Policies [5.977871949434069]
我々は、利用可能なデータセットから透明で説明可能な、一般化可能な駆動ポリシーを学ぶために、シンボリックラーニング(SIL)を導入します。
以上の結果から,SILは運転方針の解釈可能性を高めるだけでなく,運転状況の異なる適用性を向上させることが示唆された。
論文 参考訳（メタデータ） (2023-09-27T21:03:45Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。
本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文 参考訳（メタデータ） (2023-07-05T21:38:36Z) - Decentralized cooperative perception for autonomous vehicles: Learning
to value the unknown [1.2246649738388387]
我々は、エージェントが完全な知覚を求めて活動する分散的なコラボレーション、すなわちピアツーピアを提案する。
我々は,未知の車両を自我車に要求するだけで,通常の通信パラダイムを逆転する通信方針を学習する方法を提案する。
特に,局所予測可能なVAE (LP-VAE) を提案する。
論文 参考訳（メタデータ） (2022-12-12T00:01:27Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - What should AI see? Using the Public's Opinion to Determine the
Perception of an AI [7.798328343910498]
私たちは、AIアルゴリズムのコスト構造を定義するために、一般大衆に質問するオンライン調査を設置しました。
パースペクティブ(パスエンガー対外部交通参加者)とジェンダーの間には大きな違いがある。
これらの違いは、自動運転車に対する安全臨界距離における歩行者の確実な検出に影響を及ぼす。
論文 参考訳（メタデータ） (2022-06-09T21:55:22Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Learning a Robust Multiagent Driving Policy for Traffic Congestion
Reduction [35.10619995365986]
本稿では,様々なオープンネットワーク交通条件に頑健な学習型マルチエージェント駆動方式を提案する。
その結果,AV導入率を2%に抑えつつも,シミュレーションされた人為的政策よりも大きな改善が達成された。
論文 参考訳（メタデータ） (2021-12-03T18:53:34Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - A Survey on Autonomous Vehicle Control in the Era of Mixed-Autonomy:
From Physics-Based to AI-Guided Driving Policy Learning [7.881140597011731]
本稿では、人工知能(AI)から自律走行車(AV)制御のための輸送工学分野への潜在的に有用なモデルと方法論の紹介と概要を提供する。
我々は、AI誘導手法の最先端の応用について議論し、機会と障害を特定し、オープンな質問を提起し、AIが混合自律において役割を果たす可能性のあるビルディングブロックとエリアを提案する。
論文 参考訳（メタデータ） (2020-07-10T04:27:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。