In-simulator training of driving abilities in a person with a traumatic brain injury
Notice bibliographique
Résumé
AIM: This study reports the case of a 23-year-old woman (MC) who sustained a severe traumatic brain injury in 2004. After her accident, her driving license was revoked. Despite recovering normal neuropsychological functions in the following years, MC was unable to renew her license, failing four on-road evaluations assessing her fitness to drive. METHOD: In hope of an eventual license renewal, MC went through an in-simulator training programme in the laboratory in 2009. The training programme aimed at improving features of MC's driving behaviour that were identified as being problematic in prior on-road evaluations. To do so, proper driving behaviour was reinforced via driving-specific feedback provided during the training sessions. RESULTS: After 25 sessions in the simulator (over a period of 4 months), MC significantly improved various components of her driving. Notably, compared to early sessions, later ones were associated with a reduced cognitive load, less jerky speed profiles when stopping at intersections and better vehicle control and positioning. A 1-year retention test showed most of these improvements were consistent. CONCLUSIONS: The learning principles underlying well conducted simulator-based education programmes have a strong scientific basis. A simulator training programme like this one represents a promising avenue for driving rehabilitation. It allows individuals without a driving license to practice and improve their skills in a safe and realistic environment.
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 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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».