Voluntary- and Involuntary-Distraction Engagement: An Exploratory Study of Individual Differences
Notice bibliographique
Résumé
Objective The aim of this study was to explore individual differences in voluntary and involuntary driver-distraction engagement. Background Distractions may stem from intentional engagement in secondary tasks (voluntary) or failing to suppress non-driving-related stimuli or information (involuntary). A wealth of literature has examined voluntary distraction; involuntary distraction is not particularly well understood. Individual factors, such as age, are known to play a role in how drivers engage in distractions. However, it is unclear which individual factors are associated with voluntary- versus involuntary-distraction engagement and whether there is a relation between how drivers engage in these two distraction types. Method Thirty-six participants, ages 25 to 39, drove in a simulator under three conditions: voluntary distraction with a self-paced visual-manual task on a secondary display, involuntary distraction with abrupt onset of irrelevant visual-audio stimuli on the secondary display, and no distraction. Results The number of glances toward the secondary display under voluntary distraction was not correlated to that under involuntary distraction. The former was associated with gender, age, annual mileage, and self-reported distraction engagement; such associations were not observed for the latter. Accelerator release time in response to lead-vehicle braking was delayed similarly under both conditions. Conclusion Propensity to engage in voluntary distractions appears to be not related to the inability of suppressing involuntary distractions. Further, voluntary and involuntary distraction both affect braking response. These findings have implications for design of in-vehicle technologies, which may be sources of both distraction types.
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 | 0,001 | 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».