Phone messages affect the detection of approaching pedestrians in healthy young and older adults immersed in a virtual community environment
Notice bibliographique
Résumé
BACKGROUND: Mobile phones are increasingly associated with accidents while walking. Little is known, however, about the impact of phone messaging on the actual perception of other pedestrians. This study aimed to investigate the extent to which the detection of approaching pedestrians is affected by the sensory modality (text or audio) of phone messages in young vs. older adults. METHODS: Eighteen healthy young (24 ± 2.9 years) and 15 older adults (68 ± 4.2 years) performed a phone message deciphering task, an obstacle detection task, and a dual-task condition combining both tasks. Participants were tested while seated and viewing a virtual subway station (VE) in a helmet mounted display. As they were passively moved within the VE one of three virtual pedestrians randomly approached them from the center (0°), right (+40°) or left (+40°). When present, phone message conditions were delivered at obstacle movement onset and presented either as (1) text messages on the screen of a virtual phone or (2) audio messages delivered through earphones. Participants were instructed to press a joystick button as soon as they detected the approaching virtual pedestrian and to report the message content at the end of the trials. RESULTS: Young and older participants showed delayed obstacle detection times with vs. without text messages. Older adults further showed reduced accuracy of message report for texts compared to audio messages. In both groups, audio messages yielded no difference in obstacle detection time or accuracy of message report compared to the no message condition. CONCLUSIONS: Findings indicate that text messages prolong the detection of approaching pedestrians, suggesting that they compromise safe ambulation in community environments. Older adults, who show larger deteriorations on the obstacle detection and message deciphering tasks, may be at even greater risk of collision. Audio messages could be a safer alternative for on-the-go communication.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».