Implementing Surrogate Safety Measures in Driving Simulator and Evaluating the Safety Effects of Simulator-Based Training on Risky Driving Behaviors
Notice bibliographique
Résumé
Human errors cause approximately 90 percent of traffic accidents, and drivers with risky driving behaviors are involved in about 52 percent of severe traffic crashes. Driver education using driving simulators has been used extensively to obtain a quantitative evaluation of driving behaviors without causing drivers to be at risk for physical injuries. However, since many driver education programs that use simulators have limits on realistic interactions with surrounding vehicles, they are limited in reducing risky driving behaviors associated with surrounding vehicles. This study introduces surrogate safety measures (SSMs) into simulator-based training in order to evaluate the potential for crashes and to reduce risky driving behaviors in driving situations that include surrounding vehicles. A preliminary experiment was conducted with 31 drivers to analyze whether the SSMs could identify risky driving behaviors. The results showed that 15 SSMs were statistically significant measures to capture risky driving behaviors. This study used simulator-based training with 21 novice drivers, 16 elderly drivers, and 21 commercial drivers to determine whether a simulator-based training program using the SSMs is effective in reducing risky driving behaviors. The risky driving behaviors by novice drivers were reduced significantly with the exception of erratic lane-changing. In the case of elderly drivers, speeding was the only risky driving behavior that was reduced; the others were not reduced because of their difficulty with manipulating the pedals in the driving simulator and their defensive driving. Risky driving behaviors by commercial drivers were reduced overall. The results of this study indicated that the SSMs can be used to enhance drivers’ safety, to evaluate the safety of traffic management strategies as well as to reduce risky driving behaviors in simulator-based training.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 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) | 0,001 | 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 ».