Implementing graduated driving license in Europe: literature review on practices and effects, and recommendation of an ideal model
Notice bibliographique
Résumé
Graduated Driving License (GDL) systems are since many decades applied in the USA, Canada, Australia and New‐Zealand. GDL‐systems traditionally include three phases. During the first “supervised learning” phase the learner driver can only drive a vehicle when accompanied by an experienced driver. This allows experiencing different traffic situations while being supervised. In the second “autonomous practicing” phase the learner driver can drive alone on the road but under strict restrictions, like no driving at night or with passengers of the same age. This allows automating some driving abilities while avoiding specific situations with increased risk. In the third phase one has a full driving license without restrictions, although sometimes more severe sanctions are foreseen. The idea behind GDL is allowing learner drivers to gain driving experience gradually and with less exposure to risky traffic situations. The main idea behind is “learning through experience”. Although European systems traditionally focus on “learning through (professional) instruction”, an increased attention for the GDL‐approach is seen the last decennia. This is related to the increased opinion that learning to drive safely in traffic does require a long learning time and much practice, and this also goes along with insights on higher order driver educational goals (Goals for Driver Education matrix–GDE). This article synthesizes recent literature on effectiveness of GDL‐systems as well as on current tendencies in Europe that approach the GDL‐structure. Recommendations are formulated and an ideal structure for category B
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 | 0,000 |
| 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 | 0,000 |
| 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 ».