Measuring Distraction: Task Duration and the Lane-Change Test (LCT)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Considerable research activity (e.g., HASTE, CAMP, ADAM projects) is currently focused on producing protocols for assessing the distraction potential of in-vehicle tasks and devices. The Lane Change Test (LCT) is a relatively simple and low cost standardized test scenario designed for measuring driver distraction. The purpose of the present study was to evaluate the LCT's ability to discriminate between different secondary tasks with different levels of workload. The LCT was used to assess the driving performance of twenty-one drivers while they performed typical navigation tasks, Point of Interest (POI) Entry and Destination Entry, each with a low and high workload version. The experimental set up included a steering wheel, foot pedals, monitor, computer and navigation system, all off the shelf. The results indicated that the LCT is a sensitive measure of driver distraction. The participants showed greater mean deviation in lane change path when driving while performing a secondary task (i.e., calibration and navigation tasks) than when driving without performing a secondary task (i.e., baseline). When driving while performing secondary tasks, drivers showed differences in lane change path deviations as a function task type and task complexity. These differences were also reflected in participants mean task time to complete the secondary tasks. The present research provides evidence that the LCT metric of lane change path deviations discriminates between different types and complexity levels of secondary tasks, and that these differences are a function of time taken to complete the secondary tasks.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle