CHANGES IN DRIVERS’ READINESS FOR MOBILITY TRANSITION, SELF-RESTRICTION, AND HEALTH
Notice bibliographique
Résumé
Many older drivers will eventually stop driving. Increased readiness to transition to non-driving status mitigates some of the adverse consequences of driving cessation. The Assessment of Readiness for Mobility Transition (ARMT, Meuser et al., 2011) measures attitudinal and emotional preparedness to transition to non-driving. Using data from the Candrive cohort study, we examined changes over time in older drivers’ readiness to transition to non-driving in relation to changes in driving and health-related variables. A sub-sample of the Candrive cohort was recruited from 4 Canadian sites (N=183, mean age at baseline = 77.60 years, SD=4.52). Participants completed a set of measures annually for three years, including the ARMT, health-related measures (e.g., medications, medical conditions), Activities of Daily Living (ADLs), driving restriction, and driving situational avoidance. There were no statistically significant changes in ARMT scores over the 3-year period, F(2, 298)=.51, p=.603. However, there were statistically significant changes in health status as evidenced by an increase in daily medications, F(2, 286)=5.18, p=.006, and medical conditions, F(2, 286)=13.28, <.001, as well as a decrease in ADLs, F(2, 286)=5.04, p=.007. There was also a statistically significant increase in self-restriction of driving to avoid complex situations, F(3, 274)=10.99, p<.001. No statistically significant associations were observed between changes in ARMT scores and changes in either health or driving-related variables. Unlike health and driving-related variables, ARMT scores were relatively stable over a three-year period. Change in ARMT scores over time appears to be independent from changes in other variables known to be associated with driving.
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 | 0,003 | 0,002 |
| 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 | 0,001 | 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 ».