Fluctuating Attentional Demand in a Simulated Driving Assessment: The Roles of Age and Driving Complexity
Notice bibliographique
Résumé
OBJECTIVE: The purpose of the study was to explore age differences in attentional demand in response to driving situations of varying complexity within the context of a simulated assessment protocol. It was hypothesized that as road complexity increased, an indicator of attentional demand (i.e., latency to respond to a secondary task) would increase and, independent of the road complexity, older adults would exhibit greater attentional demand in comparison with younger and middle-aged drivers. METHODS: Drivers from 3 age categories (i.e., young, middle-aged, and older) completed an assessment protocol in a STISIM driving simulator (Systems Technology, Inc., Hawthorne, CA) during which participants responded to a series of strategically placed secondary tasks (i.e., peripheral detection tasks, PDTs). Situations where secondary tasks occurred were grouped according to whether they were straight-road, crossing-path, or lane-change events. Two global indices of driving safety as well as several cognitive measures external to the driving simulator were also collected. RESULTS: The results supported the hypothesis in that complex driving situations elicited greater attentional demand among drivers of all ages. Older adults showed greater attentional demand in comparison to young and middle-aged adults even after controlling for baseline response time. Older drivers also scored poorer on a global measure of driving safety. CONCLUSIONS: The findings are highly consistent with the literature on road complexity and attention that show that increased driving complexity is associated with poorer performance on tasks designed to concurrently assess attention, an effect that is more pronounced for older drivers. The results point to intrinsic and extrinsic factors that contribute to motor vehicle collisions (MVCs) among older drivers. The relevance of these findings is discussed in relation to interventions and future research aimed at improving road safety.
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 | 0,001 | 0,005 |
| 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 | 0,000 | 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) | 0,001 | 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 ».