The effects of practice in a useful field of view task on driving performance
Notice bibliographique
Résumé
The Useful Field of View (UFOV) measures the extent of the visual field from which information is extracted in a single glance. The UFOV is influenced by dividing attention, especially in older subjects (e.g., Sekuler et al., 2000), and the effects of attention predict performance in complex tasks like driving (e.g., Myers et al., 2000). Practice in a UFOV task reduces the effects of divided attention in younger and older subjects (Richards et al., 2006), and also has been shown to improve driving performance in older adults (e.g., Roenker et al., 2003). To the best of our knowledge though, no one has examined if UFOV training affects driving performance similarly across the life span. Therefore, we tested younger adults on a desktop driving simulator before and after nine UFOV training sessions. The UFOV task comprised a central identification task and a peripheral localization task performed under focused- and divided-attention conditions. The driving simulator task consisted of short routes in which we measured overall performance as well as reaction time to central detection and peripheral localization tasks. Results from five younger subjects show that, in the UFOV task, performance on the peripheral task under divided attention conditions improved linearly until it was statistically similar to peripheral task performance under focused attention conditions. This result is similar to that found in Richards et al. (2006). In the driving simulator task, however, we did not find an effect of UFOV practice on either the central or peripheral task. We are currently testing older adults to see if UFOV training offers differing benefits across the lifespan, and examining the effect of driving task difficulty on transfer of learning.
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 | 0,011 |
| 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 | 0,001 |
| 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 ».