Training driving ability in a traumatic brain-injured individual using a driving simulator: a case report
Notice bibliographique
Résumé
BACKGROUND: Traumatic brain injury (TBI) causes functional deficits that may significantly interfere with numerous activities of daily living such as driving. We report the case of a 20-year-old woman having lost her driver's license after sustaining a moderate TBI. OBJECTIVE: We aimed to evaluate the effectiveness of an in-simulator training program with automated feedback on driving performance in a TBI individual. METHODS: The participant underwent an initial and a final in-simulator driving assessment and 11 in-simulator training sessions with driving-specific automated feedbacks. Driving performance (simulation duration, speed regulation and lateral positioning) was measured in the driving simulator. RESULTS: Speeding duration decreased during training sessions from 1.50 ± 0.80 min (4.16 ± 2.22%) to 0.45 ± 0.15 min (0.44 ± 0.42%) but returned to initial duration after removal of feedbacks for the final assessment. Proper lateral positioning improved with training and was maintained at the final assessment. Time spent in an incorrect lateral position decreased from 18.85 min (53.61%) in the initial assessment to 1.51 min (4.64%) on the final assessment. CONCLUSION: Driving simulators represent an interesting therapeutic avenue. Considerable research efforts are needed to confirm the effectiveness of this method for driving rehabilitation of individuals who have sustained a TBI.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».