Assessment Tools for Evaluating Fitness to Drive: A Critical Appraisal of Evidence
Notice bibliographique
Résumé
BACKGROUND: Many office-based assessment tools are used by occupational therapists to predict fitness to drive. PURPOSE: To appraise psychometric properties of such tools, specifically predictive validity for on-road performance. METHODS: A literature search was conducted to identify assessment tools and studies involving on-road outcomes (behind-the-wheel evaluation, crashes, traffic violations). Using a standardized appraisal process, reviewers rated each tool's psychometric properties, including its predictive validity with on-road performance. FINDINGS: Seventeen measures met the inclusion criteria. Evidence suggests many tools do not have cutoff scores linked with on-road outcomes, although some had stronger evidence than others. Implications. When making a determination regarding driver fitness, clinicians should consider the psychometric properties of the tool as well as existing evidence concerning its utility in predicting on-road performance. Caution is warranted in using any one office-based tool to predict driving fitness; rather, a multifactorial-based assessment approach that includes physical, cognitive, and visual-perceptual components, is recommended.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,189 | 0,491 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,008 |
| Bibliométrie | 0,033 | 0,016 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,008 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».