Application of tablet-based cognitive tasks to predict unsafe drivers in older adults
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Due to aging and medication interferences, a wide range of motor, sensory, and cognitive skills that are imperative for driving are affected in older adults. Though on-road tests are most indicative of driving ability, they are costly, stressful, time-consuming, and risky. Application of tablet-based cognitive tasks is investigated in identifying unsafe drivers in a population of healthy and at-risk for driving older adults. Forty-nine older adult participants aged 54 to 81 (M = 78.08, SD = 9.78) that were screened by their physicians as “at-risk for driving impairment”, and forty-eight control participants aged 54 to 81 years (M = 65.85, SD = 6.93) completed an on-road driving test designed specifically to evaluate cognitive decline related to driving, and a set of tablet-based cognitive tasks (composed of reaction speed, decision making, memory, and bi-manual perceptual-motor tasks) that measured the cognitive skills needed during driving. Accuracy and reliability of predicting unsafe drivers based on the cognitive tasks were investigated using different trichotomous classifiers (class outputs: safe, unsafe, undefined). Trichotomous naive Bayes demonstrated the highest overall accuracy performance of 73%, a sensitivity of 69%, and a specificity of 75%. The rate of misclassified unsafe drivers was 19%, and the rate of misclassified safe drivers was 8%. High accuracy and reliable prediction of unsafe drivers using cognitive-only tasks in a sample of older adults population demonstrate the efficacy of a widely available screening tool that can be applied in other cognitively impaired populations such as drug users.
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.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle