Influence of Driving Experience on Distraction Engagement in Automated Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
State-of-the-art vehicle automation requires drivers to visually monitor the driving environment and the automation (through interfaces and vehicle’s actions) and intervene when necessary. However, as evidenced by recent automated vehicle crashes and laboratory studies, drivers are not always able to step in when the automation fails. Research points to the increase in distraction or secondary-task engagement in the presence of automation as a potential reason. However, previous research on secondary-task engagement in automated vehicles mainly focused on experienced drivers. This issue may be amplified for novice drivers with less driving skill. In this paper, we compared secondary-task engagement behaviors of novice and experienced drivers both in manual (non-automated) and automated driving settings in a driving simulator. A self-paced visual-manual secondary task presented on an in-vehicle display was utilized. Phase 1 of the study included 32 drivers (16 novice) who drove the simulator manually. In Phase 2, another set of 32 drivers (16 novice) drove with SAE-level-2 automation. In manual driving, there were no differences between novice and experienced drivers’ rate of manual interactions with the secondary task (i.e., taps on the display). However, with automation, novice drivers had a higher manual interaction rate with the task than experienced drivers. Further, experienced drivers had shorter average glance durations toward the task than novice drivers in general, but the difference was larger with automation compared with manual driving. It appears that with automation, experienced drivers are more conservative in their secondary-task engagement behaviors compared with novice drivers.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle