The Effects of Task Load and Vehicle Heterogeneity on Performance in the Multiple-Vehicle Tracking Task
Notice bibliographique
Résumé
When crossing traffic at busy intersections, drivers must keep track of the changing positions of cyclists, pedestrians and other vehicles to avoid collision. Multiple-object tracking is the ability to monitor the positions of a number of selected moving objects (targets) among others (distractors) in a complex scene. Most young adults can track 3-5 items at once but older adults cannot track as many, a finding that may partially explain older drivers’ increased risk at intersections. Because tracking represents an important component of driving, a variant of the multiple-object tracking task called multiple-vehicle was created to measure tracking performance in a driving simulator. However, it is unclear whether tracking while driving works the same as tracking carried out on its own. Laboratory studies suggest that tracking improves when the moving items are heterogeneous, and on the road, it is far more typical that vehicles differ from one another rather than being all the same. Drivers were given the task of tracking the positions of 4 vehicles in a field of 8 on a highway, and the effects of task load (tracking alone, tracking while driving) on tracking performance were measured as a function of whether the target and distractor vehicles were homogeneous. Steering and headway maintenance variability were also assessed. The results indicated that heterogeneity only enabled better tracking when drivers were tracking in isolation. Heterogeneity had no significant effect on tracking when participants were tracking while driving though it did significantly reduce their steering variability.
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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».