Trip-Based Measures of Naturalistic Driving: Considerations and Connections With Cognitive Status in Older Adult Drivers
Notice bibliographique
Résumé
Older adult drivers can experience age-related health declines, particularly cognitive health, that can negatively impact driving performance and lead to driver license revocation. The measurement of naturalistic in-car driving behavior can be used to evaluate trip complexity, including diversity, length, and frequency of trips and associated destinations. This paper examined measurement methods for trip complexity and driving destinations using GPS data for older adult drivers with differing health statuses, focusing primarily on cognitive health status. Older driver subgroups included four groups with relatively stable health: better overall health, better cognitive health, worse cognitive health, and worse overall health and one group with declining cognitive health. Older drivers with better health status (overall and cognitive) had higher measured trip complexity compared to those with worse health status. Two variables, mean trip distance and percent of trips driven during the workweek evening rush-hour, declined significantly (p ≤ 0.049) in-line with cognitive declines but did not meaningfully discriminate cognitively declining older drivers from cognitively stable drivers (sensitivity: 18.8%-43.8%; specificity: 58.0%-93.3%). This contrast between significant group differences and nonpredictive declining group changes may suggest that self-referential naturalistic driving measures are needed to identify meaningful changes in driving behavior. In addition to the development of self-referential driving measurement systems, careful consideration of big data analysis as they apply to naturalistic driving is warranted. These include but are not limited to issues of validation, anonymity, measure-based definitions, and occurrence of outlier-type driving events like city-to-city travel.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».