Risk Awareness and Perception Training using VR Headsets: The Validation of VR Headsets to Measure Hazard Anticipation Behaviors
Notice bibliographique
Résumé
The objective of the current study is to evaluate the use of virtual reality (VR) headsets to measure driving performance for driving simulation studies and training. This is desirable because they are several orders of magnitude less expensive and, if validated, could greatly extend the powers of simulation. Out of several possible measures of performance that could be considered for evaluating VR headsets, the current study specifically examines drivers’ latent hazard anticipation behavior both because it has been linked to crashes and because it has been shown to be significantly poorer in young drivers compared to their experienced counterparts in traditional driving simulators and in open road studies. The total time middle-aged drivers spend glancing at a latent hazard and the average duration of each glance were also compared to these same times for younger drivers using a VR headset and fixed-base driving simulator. In a between-subjects design, 48 participants were equally and randomly assigned to one of four experimental conditions: two young driver cohorts (18-21 years) and two middle-aged driver cohorts (30-55 years) navigating either a fixed-base driving simulator or a VR-headset-based simulator. All participants navigated six unique scenarios while their eyes were continually tracked. The proportion of latent hazards anticipated by participants, which constituted the primary dependent measure, was found to be greater for middle-aged drivers than for young drivers across both platforms. Results also indicate that the middle-aged participants glanced longer than their younger counterparts on both platforms at latent hazards, as measured by the total glance duration; however, there was no difference when measured by the average glance duration. Moreover, the magnitude of the difference between middle-aged and younger drivers was the same across the two platforms. The study provides some justification for the use of VR headsets as a way of understanding drivers’ hazard anticipation behavior and using this understanding to create a risk awareness training program.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».