Efficacy, strengths, and limitations of in-vehicle feedback technology to reduce young drivers’ risk: Recent findings from the literature
Notice bibliographique
Résumé
The main goal of this presentation is to describe the current state of research in regards to in-vehicle feedback technology aimed at young drivers. Young drivers have a higher crash risk worldwide than other age groups, and the first months after licensing are the most dangerous. Several countries have achieved important crash reductions over the past years that are associated with the implementation of graduated driver licensing programs. Provisions of these primary and secondary prevention programs includes older age at licensing and driving privileges provided gradually to young drivers, such as driving at night and with young passengers. Development of in-vehicle technology, such as feedback devices, now allows easier implementation of secondary and tertiary interventions aimed at young drivers. A number of randomized controlled trials have been published and results suggest the efficacy of in-vehicle feedback devices in reducing some indices of risky behavior, such as g-force events. Research has also identified several obstacles to deployment of these devices, including acceptance by both young drivers and their parents. Results of recent studies by our research group on efficacy (N = 160) and acceptance (N = 380) of in-vehicle devices in 18-24 year old drivers, and individual factors that influence these dimensions, will be presented in light of the current research. The main discussion will address the efficacy of in-vehicle feedback technology to reduce young drivers’ risk, its strengths, limitations, and obstacles to implementation in primary, secondary, and tertiary prevention programs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 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 ».