Using an Integrated Cognitive Architecture to Model the Effect of Environmental Complexity on Drivers’ Situation Awareness
Notice bibliographique
Résumé
The goal of this research is to computationally model and simulate drivers’ situation awareness (SA). In order to achieve this, we have developed a computational cognitive model in a cognitive architecture that can be connected to interact with a driving simulator, as means to infer quantitative predictions of drivers’ SA. We demonstrate the theory of modelling and predicting SA through the lens of human cognition utilizing the QN-ACTR (Queueing Network-Adaptive Control of Thought-Rational) framework as a foundation. We integrate a dynamic visual sampling model (SEEV) to create QN-ACTR-SA in order to allow the model to simulate realistic attention allocation patterns of human drivers. A driver model is also incorporated within QN-ACTR-SA architecture that can simulate human driving behavior by interacting with a driving simulator with the help of virtual modalities such as motor, visual and memory functions. A preliminary validation study is conducted to determine whether SA results of the model correspond to empirical data. The model is probed with SA queries similar to how a Situation Awareness Global Assessment Technique (SAGAT) is conducted on human participants. A comparative assessment demonstrates the model’s ability to simulate drivers’ SA in both easy (with fewer traffic vehicles and signboards) and complex (with more traffic vehicles and signboards) driving conditions.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».