公众接受对于在运输部门采用共享的自动驾驶汽车(SAV)至关重要。主要依赖于结构方程建模(SEM)的传统接受模型可能无法充分捕获受影响技术接受的因素之间的复杂的非线性关系,并且通常具有有限的预测能力。本文介绍了一个将机器学习技术与和弦图可视化相结合的框架,以分析和预测公众对技术的接受。使用SAV接受为案例研究,我们采用了一种随机的森林机器学习方法来模拟心理因素受到验收的心理因素之间的非线性关系。和弦图来提供单个图中因子和项目水平的这些因素的相对重要性和相互作用的直观可视化。我们发现的态度确定为SAV使用意图的主要预期,然后是感知的风险,可感知的有用性,信任和可感知的易用性。该框架还揭示了SAV采用者和非管理员之间的不同看法,从而提供了量身定制的策略来增强SAV接受的见解。这项研究为技术接受话语贡献了一个数据驱动的观点,证明了将预测性建模与视觉分析的效率相结合,以了解因素在预测公众接受新兴技术方面的相对重要性。
DCA提交为响应国家自闭症战略草案,亲爱的秘书,社会服务部,雷·格里格斯(Ray Griggs)感谢您提供有关国家自闭症战略草案(该战略)的评论的机会。澳大利亚多元化委员会(DCA)是独立的非营利性峰值机构,领先的多样性和在工作场所的包容性。我们拥有超过1,300个成员组织,雇用了200万以上的澳大利亚人,占澳大利亚劳动力的20%。鉴于我们专注于工作场所包容和多样性,DCA可以就自闭症患者的社会和经济纳入以及该部门在这些领域概述的承诺提供评论。我们欢迎澳大利亚政府与全国自闭症患者的健康和福祉的参与,并完全支持该战略的意图,以保护,促进和实现其人权。
