The CN Lantern Test and Different Viewing Distances
Notice bibliographique
Résumé
SIGNIFICANCE: This research shows that some color-vision-defective patients could identify railway signal lights correctly if they are working in the yard where sighting distances for signal lights are shorter. PURPOSE: When interpreting railway signal lights, sighting distance can vary depending on the employee's location and job requirements. Individuals with a color-vision-defect may pass railroad employment color vision testing for positions with shorter sighting distances, despite failing to qualify for positions with longer sighting distances. The CN Lantern (CNLan) simulates railway signal lights. We evaluated performance and repeatability on CNLan at different viewing distances in color-normal and color-deficient individuals. METHODS: Fifty-six subjects with normal color vision and 63 subjects with a red-green color-vision-defect participated. The CNLan test was performed at 4.6-, 2.3-, 1.15-, and 0.57-m viewing distance. The test was repeated after 10 days. RESULTS: All individuals with normal color vision passed the CNLan at all distances at both visits without errors. For the group with a color-vision-defect, the pass rate increased from 12% at 4.6 m to 62% at 0.57 m. The repeatability of the CNLan between visits for the color-vision-defective group was very good with AC1 agreement values greater than 0.85. CONCLUSIONS: An increase in retinal illumination was likely responsible for the improved performance as the test distance was decreased. Typical sighting distances in railway yards correspond to the 0.57-m test distance in our study. The results of this study suggest that 62% of the individuals with a red-green color-vision-defect may correctly identify colored signal lights in a railway yard where sighting distances are less than 100 m.
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 | 0,001 | 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 ».