MétaCan
Menu
Retour à la cohorte
Enregistrement W2942560399 · doi:10.1177/0361198119843476

Influence of Driving Experience on Distraction Engagement in Automated Vehicles

2019· article· en· W2942560399 sur OpenAlexafffund
Dengbo He, Birsen Donmez

Notice bibliographique

RevueTransportation Research Record Journal of the Transportation Research Board · 2019
Typearticle
Langueen
DomainePsychology
ThématiqueHuman-Automation Interaction and Safety
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDistractionAutomationTask (project management)Driving simulatorSet (abstract data type)Human–computer interactionComputer scienceSimulationEngineeringApplied psychologyPsychologyCognitive psychologySystems engineering

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,006
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 savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,092
Tête enseignante GPT0,463
Écart entre enseignants0,371 · 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 source (Gemma direct ou Codex distillé), 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

Citations37
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTransportation Research Record Journal of the Transportation Research BoardMême sujetHuman-Automation Interaction and SafetyTravaux en français237 207