MétaCan
Menu
Retour à la cohorte
Enregistrement W2890047111 · doi:10.1145/3239092.3265965

The Impact of Advanced Vehicle Technologies on Older Driver Safety

2018· article· en· W2890047111 sur OpenAlexaff
Andrea D Furlan, Brenda Vrkljan, Hana H. Abbas, Jessica Babineau, Jennifer L. Campos, Shabnam Haghzare, Tara Kajaks, Maggie Tiong, Maria Vo, Martin Lavallière

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineHealth Professions
ThématiqueOlder Adults Driving Studies
Établissements canadiensUniversity of ManitobaUniversité du Québec à ChicoutimiUniversity of TorontoMcMaster UniversityToronto Rehabilitation Institute
Organismes subventionnairesnon disponible
Mots-clésWorkloadUsabilityComputer scienceApplied psychologyHuman factors and ergonomicsInclusion (mineral)Advanced driver assistance systemsOutcome (game theory)Driving simulationRisk analysis (engineering)PsychologyPoison controlHuman–computer interactionSimulationMedicineArtificial intelligenceSocial psychology

Résumé

récupéré en direct d'OpenAlex

Advanced vehicle technologies (AVTs) have the potential to modify an older driver's behind-the-wheel performance by compensating for age and/or health-related changes that can negatively impact their ability to operate a motor vehicle. However, the safety implications of these rapidly evolving technologies are not well understood. A scoping review was conducted to understand the current state of research on AVTs with a particular focus on subjective outcome measures specific to older drivers. Sixteen articles met the inclusion criteria for this scoping review. The methods used to address subjective outcomes across studies were summarized. Seven main subjective outcomes were identified: trust, functionality, satisfaction, usability, workload, acceptability, and usefulness. The results highlight inconsistencies in the research with defining these concepts. Consequently, there is an identified need for a more rigorous classification system and consistent application and interpretation of subjective measures with regard to AVTs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,220
Score d'incertitude au seuil0,865

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,421
Écart entre enseignants0,395 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetOlder Adults Driving StudiesTravaux en français237 207