How Common In-Car Distractions Affect Driving Performance in Simple and Complex Road Environments
Notice bibliographique
Résumé
Distracted driving (driving while performing a secondary task) is the cause of many collisions. Although the research has stressed the deleterious effects of distraction, there may be situations where distraction improves driving performance. Boredom is associated with collision risk, and it is possible that some types of secondary task may combat boredom on simple monotonous drives. In this study, licensed drivers were tested in a driving simulator (a car body surrounded by screens) that simulated simple or complex roads. Road complexity was manipulated by increasing traffic, scenery, and the number of curves in the drive. Participants either drove (single task), or they drove while listening to an audiobook or having a hands-free cellular phone conversation. Driving performance was measured in terms of speed, standard deviation of speed, standard deviation of lateral position (SDLP), and hazard response times. Task condition and road complexity had no significant effect on driving speed or standard deviation of speed. There was a trend to greater SDLP on the simple drives, where there was little oncoming traffic, though this was only statistically significant in the Audiobook condition. However, there was also evidence that audiobooks could be beneficial. On simple roads, drivers listening to audiobooks had significantly faster hazard response times that those that were driving (single task) or driving while having a hands-free conversation, though this pattern of response was not evident on complex drives. These results suggest that audiobooks could play a role in helping drivers stay focused on monotonous drives.
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 | 0,000 | 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 ».