Investigating the Effects of Mental Workload on Highway Safety
Notice bibliographique
Résumé
The majority of vehicle collisions occur because of human error; in fact, studies have shown that approximately 95% of collisions are caused, at least in part, as a result of human mistakes. Therefore, it is important to study the main causes of human mistakes and develop mitigation strategies to reduce, if not eliminate, these errors from occurring. In this respect, designing highways that balance mental workload is a crucial task that ensures drivers have sufficient time to make appropriate decisions. However, the quantitative relationship between mental workload and collisions is not well documented in the safety literature. Enough evidence exists to support the reasonable conclusion that safety is affected by changes in workload, but there is no quantitative evidence of this effect. Consequently, this paper tries to investigate the relation between mental workload ratings and collisions on highways using data from Alberta, Canada. Horizontal and vertical curve parameters on two-lane, two-way highways were first extracted from LiDAR and GPS data using MATLAB algorithms, and the resulting features were summarized using Civil 3D. The mental workload ratings were assigned based on the presence of four major geometric features, namely, intersections, horizontal curves, vertical curves, and changes in cross-section. The results show that mental workload has a significant effect on safety for two-way, two-lane highways. Furthermore, the findings strongly indicated the need to integrate mental workload into the design process, to not only meet the operational needs of the highway, but also ensure that the geometric layout does not mentally overwhelm 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».