Latent Hazard Anticipation in Young Drivers: Review and Meta-Analysis of Training Studies
Notice bibliographique
Résumé
Young drivers are overrepresented in motor vehicle crashes, and are shown to be poorer at anticipating potential threats on the roadway compared with their more experienced peers. Literature demonstrates the effectiveness of driver training programs at improving young drivers’ latent hazard anticipation performance. Various hazard anticipation training studies have been undertaken on different population demographics using different training scenario presentation modes and multiple evaluation testbeds. These error-based feedback training programs (3M) allow trainees to make a mistake, show them how to mediate the mistake, and provide an opportunity to master the target skills. The current meta-analytical review focused on 19 peer-reviewed training studies that utilized eye movements to measure improvements in drivers’ latent hazard anticipation performance following training. The role of four moderating factors (mode of delivery – PC-based or non PC-based; presentation of training – egocentric or exocentric; method of evaluation – on-road or driving simulator; and age of sample – teen novices aged 16–17 or young drivers aged 18–21) on the training effects were explored. Overall, the current meta-analysis suggest that: (a) superficial improvements in training programs does not necessarily further improve the drivers’ latent hazard anticipation; (b) drivers who completed a training program with both egocentric and exocentric training views achieved greater levels of latent hazard anticipation performance than those who completed a training program that contained either view, but not both; and (c) the effect sizes of the 3M-based training programs on latent hazard anticipation were greater for drivers aged 18–21 years than drivers aged 16–17.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».