Mitigating Teen Driver Distraction: In-Vehicle Feedback Based on Peer Social Norms
Notice bibliographique
Résumé
OBJECTIVE: To investigate the efficacy of in-vehicle feedback based on peer social norms in mitigating teen driver distraction. BACKGROUND: Distraction is a significant problem among teen drivers. Research into the use of in-vehicle technologies to mitigate this issue has been limited. In particular, there is a need to study whether social norms interventions provided through in-vehicle feedback can be effective. Peers are important social referents for teens; thus, normative intervention based on this group is promising. Socially proximal referents have a greater influence on behavior; thus, tailoring peer norm feedback based on gender may provide additional benefits. METHOD: In this study, 57 teens completed a driving simulator experiment while performing a secondary task in three between-subject conditions: (a) postdrive feedback incorporating same-gender peer norms, (b) postdrive feedback incorporating opposite-gender peer norms, and (c) no feedback. Feedback involved information based on descriptive norms (what others do). RESULTS: Teens' self-reported frequency of distraction engagement was positively correlated with their perceptions of their peers' engagement in and approval of distractions. Feedback based on peer norms was effective in reducing distraction engagement and improving driving performance, with no difference between same- and opposite-gender feedback. CONCLUSION/APPLICATION: Feedback based on peer norms can help mitigate driver distraction among teens. Tailoring social norms feedback to teen gender appears to not provide any additional benefits. Longer-term effectiveness in real-world settings should be investigated.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».