Virtual Reality Headset Training: Can It Be Used to Improve Young Drivers’ Latent Hazard Anticipation and Mitigation Skills
Notice bibliographique
Résumé
Young drivers are overrepresented in motor-vehicle crashes compared to experienced drivers. Research shows that young drivers are generally clueless, not careless, failing to anticipate and mitigate latent hazards. There are several error-feedback training interventions that emphasize the teaching of latent hazard anticipation skills (e.g., risk awareness and perception training, RAPT) and a few that emphasize both the teaching of hazard anticipation and hazard mitigation skills (e.g., the driver simulation ACCEL). In the current study, a virtual reality, headset-based latent hazard anticipation and mitigation training program (V-RAPT) was developed on a head-mounted display (Oculus Rift). The headset provides the participant with a 100-degree wide field of view of six high-risk driving scenarios, the view changing appropriately as the participant rotates his or her head. Thirty-six young drivers were exposed to one of three training programs—V-RAPT, RAPT, and a placebo—and then evaluated on a driving simulator. Eye movement and vehicle data were collected throughout the simulator evaluation. The drives included the six scenarios used in training and four other scenarios dissimilar to the ones used in training, but previously validated as measures of hazard anticipation. The drivers trained on V-RAPT were found to anticipate a significantly greater proportion (86.25%) of latent hazards than the RAPT (62.36%) and placebo (30.97%) trained drivers. The V-RAPT trained drivers were also found to be better at mitigating potential threats. The virtual reality, headset-based training program holds out the promise of improving drivers’ ability to anticipate and mitigate latent threats and thereby reduce crashes.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».