Driving Skills Training for Older Adults: An Assessment of DriveSharp
Notice bibliographique
Résumé
RÉSUMÉ Les procédures de formation cognitive informatique visent à augmenter la sécurité en améliorant les compétences relatives à la conduite, comme la vitesse-de-traitement et le Useful Field of View. L'étude actuelle a évalué l'efficacité du DriveSharp dans la formation des conducteurs âgés dans un cadre de classe réaliste. Les participants (n = 24) ont assisté à 10 heures de cours de DriveSharp pendant 5 semaines. Les séances pré- et post-test ont evalués améliorations sur un essai dynamique de la perception du risque, Trails A et Trails B. Un groupe de contrôle (n = 18) a terminé seulement les séances pré- et post-test. En classe, les temps de formation étaient plus bas que prévus. L'amélioration des participants aux jeux ont stabilisée après la première évaluation, et le groupe de DriveSharp n'a pas démontré une amélioration significative des performances sur les tests, par rapport au groupe de contrôle. Parmi plusieurs questions relatives à la facilité d'utilisation, les plus problématiques étaient le malentendudes objectifs de la tâche et la différence entre la formation et l'évaluation. Il y a plusieurs implications pour ceux qui utilisent DriveSharp pour améliorer la sécurité des conducteurs âgés.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».