A Pilot Randomized Controlled Trial Testing the Effectiveness of a Pedestrian Training Program That Teaches Children Where and How to Cross the Street Safely
Notice bibliographique
Résumé
Objective: Pedestrian injury is a leading cause of injury-related mortality for children. This pilot randomized controlled trial tested the efficacy of a training program to teach where and how to cross safely. Methods: Using fully immersive virtual reality technology, 142 children 7-10 years of age were recruited, with 130 completing crossing measures before (pretest) and immediately after (posttest) training. Training comprised 1.5 hr, was tailored to each child's performance over trials, and focused on either where to cross (n = 44 children completed testing) or how to cross safely (n = 43); corresponding control groups comprised 22 and 21 children, respectively. Following training, children in the intervention groups completed additional tasks to test conceptual knowledge and generalization of learning. Children in the control groups spent the same time as those in training groups but played a video game that used the same game controller but provided no training in street crossing. Results: The primary outcomes were errors in crossing at posttest, controlling for pretest error scores. Children in the intervention group made from 75% to 98% fewer errors at posttest than control children for all pedestrian safety variables related to where and how to cross safely, with effect sizes (incidence rate ratios) varying between 0.02 and 0.25. They also showed a generalization of what they had learned and applied this knowledge to novel posttraining situations. Conclusion: Training within a virtual pedestrian environment can successfully improve children's conceptual understanding and crossing behaviors for both where and how to cross streets safely.
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 | 0,023 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».