Prevalence of Engagement in Single versus Multiple Types of Secondary Tasks: Results from the Naturalistic Engagement in Secondary Task (NEST) Dataset
Notice bibliographique
Résumé
We investigated engagement in single vs. multiple types of secondary tasks in distraction-affected, safety-critical events (SCEs), i.e., crashes/near-crashes, and baselines reported in the Naturalistic Engagement in Secondary Tasks (NEST) dataset. NEST was created from Second Strategic Highway Research Program (SHRP2) data for studying distractions in detail. Early descriptive analysis on NEST found that most distraction-affected SCE and baseline epochs (10 s long) include more than one type of secondary task, suggesting that a considerable number of drivers may be engaging in multiple secondary activities within a relatively short time frame, potentially being exposed to increased demands brought on by multi-tasking and task-switching. We conducted inferential statistics on NEST focusing on engagement in single vs. multiple types of tasks across SCEs and baselines. A logit model was built to compare the odds of engaging in single vs. multiple types of tasks with the following predictors: event type (SCE, baseline), environmental demand, GPS speed, and driver age. The last three predictors were included to capture the driving demands experienced, which may have impacted drivers’ task engagement behavior. Odds of engagement in multiple types of secondary tasks was higher in SCEs than baselines. Furthermore, with marginal statistical significance, drivers 65 years and over were less likely to engage in multiple types of secondary tasks than younger drivers. Overall, engagement in multiple secondary task types is more prevalent in SCEs. Most crash risk studies to date have reported the effects associated with one type of secondary task. However, it appears that these effects may be confounded by the presence of other secondary tasks.
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 | 0,008 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».