Evaluation of the Effectiveness of a Gaze-Based Training Intervention on Latent Hazard Anticipation Skills for Young Drivers: A Driving Simulator Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A PC-based training program (Road Awareness and Perception Training or RAPT; Pradhan et al., 2009), proven effective for improving young novice drivers’ hazard anticipation skills, did not fully maximize the hazard anticipation performance of young drivers despite the use of similar anticipation scenarios in both, the training and the evaluation drives. The current driving simulator experiment examined the additive effects of expert eye movement videos following RAPT training on young drivers’ hazard anticipation performance compared to video-only and RAPT-only conditions. The study employed a between-subject design in which 36 young participants (aged 18–21) were equally and randomly assigned to one of three experimental conditions, were outfitted with an eye tracker and drove four unique scenarios on a driving simulator to evaluate the effect of treatment on their anticipation skills. The results indicate that the young participants that viewed the videos of expert eye movements following the completion of RAPT showed significant improvements in their hazard anticipation ability (85%) on the subsequent experimental evaluation drives compared to those young drivers who were only exposed to either the RAPT training (61%) or the Video (43%). The results further imply that videos of expert eye movements shown immediately after RAPT training may improve the drivers’ anticipation skills by helping them map and integrate the spatial and tactical knowledge gained in a training program within dynamic driving environments involving latent hazards.
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.
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 | 0,005 | 0,001 |
| 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) | 0,001 | 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 découle