MétaCan
Menu
Retour à la cohorte
Enregistrement W2924544585 · doi:10.3791/58342

Driving Under the Influence: How Music Listening Affects Driving Behaviors

2019· article· en· W2924544585 sur OpenAlexaff
Jordan Navarro, François Osiurak, Vivien Gaujoux, Marie Claude Ouimet, Emanuelle Reynaud

Notice bibliographique

RevueJournal of Visualized Experiments · 2019
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Music Perception
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesAgence Nationale de la Recherche
Mots-clésArousalMoodActive listeningPsychologyTask (project management)Driving simulatorDistractionPoison controlDriving simulationCognitive psychologySimulationComputer scienceSocial psychologyCommunicationEngineeringMedicine

Résumé

récupéré en direct d'OpenAlex

Car driving is a daily activity for many individuals in modern societies. Drivers often listen to music while driving. The method presented here investigates how listening to music influences driving behaviors. A driving simulation was selected because it offers both a well-controlled environment and a good level of ecological validity. Driving behaviors were assessed through a car-following task. In practice, participants were instructed to follow a lead vehicle as they would do in real life. The lead vehicle speed changed over time requiring constant speed adjustments for the participants. The inter-vehicular time was used to assess driving behaviors. To complement the driving behaviors, the subjective mood and physiological level of arousal were also collected. As such, the results collected using this method offer insights on both the human internal state (i.e., subjective mood and physiological arousal) and driving behaviors in the car following task.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,595

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
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 Opus0,043
Tête enseignante GPT0,401
Écart entre enseignants0,359 · 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'étudeExpérimental (laboratoire)
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

Citations21
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Visualized ExperimentsMême sujetNeuroscience and Music PerceptionTravaux en français237 207