Indicators of Simulated Driving Skills in Adolescents with Attention Deficit Hyperactivity Disorder
Notice bibliographique
Résumé
Adolescents with attention deficit hyperactivity disorder (ADHD) have an increased risk for committing traffic violations, and they are four times more likely than neurotypical peers to be crash involved, making them a potentially high risk group for driving. We used a two-group design to measure differences in demographics, clinical off-road tests, and fitness to drive abilities in a driving simulator with nine adolescents with ADHD (mean age = 15.00, SD ± 1.00) compared to 22 healthy controls (HC) (mean age = 14.32, SD ±..716), as evaluated by an Occupational Therapist Certified Driving Rehabilitation Specialist (OT-CDRS). Despite few demographic differences, the adolescents with ADHD performed worse than the HC on tests of right visual acuity (F = 5.92, p = .036), right peripheral field (F = 6.85, p = .019), selective attention (U = 53.00, p = .046), and motor coordination (U = 53.00, p = .046). The ADHD group made more visual scanning (U = 52.50, p = .041), speed regulation (U = 28.00, p = .001), and total driving errors (U = 32.50, p = .003) on the simulator. Adolescents with ADHD performed worse on tests measuring visual, cognitive, motor, and pre-driving skills, and on a driving simulator. They may require the services of an OT-CDRS to determine their fitness to drive abilities prior to referring them for driver’s education.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».