大学生风险感知数据集
该数据集来自 Harvard Dataverse，聚焦使用公共交通（PT）系统的大学生群体，评估其对呼吸道传染病（RIDs）的感知严重性与易感性
基本信息
资源简介
大学生风险感知数据集
该数据集名为 Risk perceptions among university students，由作者 Salam, Mahmoud 提交至 Harvard Dataverse，发布时间为 2026 年，来源站为 doi.org，在本站归入呼吸系统疾病 / 其他分类。数据集聚焦使用公共交通（PT）系统的大学生群体，评估其对呼吸道传染病（RIDs）的感知严重性与易感性。源站描述指出，使用公共交通系统的大学生易受呼吸道传染病影响，而这类疾病可能影响其学业表现，因此该研究在这一情境下考察了学生对感染呼吸道传染病的感知严重性与易感性。数据集主题标签涵盖 Medicine, Health and Life Sciences，并涉及风险感知、交通、COVID-19、流感、大学生与黎巴嫩等关键词，整体属于健康与生命科学领域的风险感知调查研究资料。
【数据集背景】
使用公共交通系统的大学生是呼吸道传染病的易感人群，源站描述明确指出这类疾病可能影响学生的学业表现。该研究正是在这一背景下，评估大学生在使用公共交通时对感染呼吸道传染病的感知严重性与易感性。数据集的主题标签中包含 COVID-19、流感、交通与黎巴嫩等关键词，说明其研究情境与呼吸道传染病及公共交通出行密切相关。关于该研究更具体的立项背景、资助情况与理论框架，源站未提供。
【数据内容】
依据源站描述，该数据集围绕大学生对呼吸道传染病的感知严重性与易感性展开，研究对象为使用公共交通系统的大学生。主题标签显示其内容涉及风险感知、交通、COVID-19、流感、大学生与黎巴嫩等主题。关于数据的具体变量、样本量、记录条数、文件格式与文件清单，源站未提供。
【采集与来源】
该数据集来源于 doi.org，由 Salam, Mahmoud 提交，机构为 Harvard Dataverse，发布时间为 2026 年。源站描述说明该研究评估了大学生在使用公共交通情境下对呼吸道传染病的感知严重性与易感性。关于具体的抽样方法、调查工具、采集时间窗口与数据收集程序，源站未提供。
【适用场景】
该数据集可用于关注大学生群体呼吸道传染病风险感知的研究与教学场景，例如围绕公共交通出行情境下的感知严重性与易感性开展分析，或结合 COVID-19、流感等主题进行风险感知方面的探讨。其主题标签中的黎巴嫩提示了研究可能的地理情境。关于具体的适用分析类型与建模用途，源站未提供。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
该数据集作者为 Salam, Mahmoud，机构为 Harvard Dataverse，来源站为 doi.org，发布时间为 2026 年。关于具体的引用格式、许可条款与使用限制，源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.7910/DVN/0DQH4B
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 1.1 MB。
数据说明
使用公共交通系统的大学生易感染呼吸道传染病，这可能会影响他们的学业表现。本研究评估了该情境下大学生对感染呼吸道传染病严重性和易感性的感知。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
