ASSESSMENT OF THE EFFECTIVENESS OF A COMPREHENSIVE DRIVING TRAINING PROGRAM FOR OLDER ADULT DRIVERS
Notice bibliographique
Résumé
Several driving retraining programs have been developed to improve older drivers’ driving skills and researchers have been interested in assessing their effectiveness. This study was designed as a replication of a previous study done by our team (Sawula et al. submitted). The objective of both studies was to determine if a compressive training program combining 1) basic in-class training (BT); 2) on-road training with individualized feedback (OR); and 3) on-road training with individualized feed-back plus training on a driving simulator (ORS) would lead to improvements in older drivers’ on-road driving evaluations. Using a randomized controlled trial (RCT) study design, 43 older drivers (mean age=71.7 years, SD = 4.91) were randomly assigned to one of three groups (BT, BT+OR, or BT+ORS). All participants completed a pre- and post-intervention on-road driving evaluation on a standardized route. The driving evaluations were recorded using video and GPS equipment and were scored by a blind assessor. The results of this study demonstrated that post-intervention driving evaluation scores for the BT+OR and BT+ORS groups when compared to the BT group were significantly different. While unsafe driving errors showed a 6% reduction in the BT group, BT+OR and BT +ORS group reduced their errors per 23% and 34% respectively. There were no differences between BT+OR and BT+ORS group, thus further research is required to determine the contribution of simulator training on its own.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».