Driving Performance Evaluation Correlated to Age and Visual Acuities Based on VR Technologies
Notice bibliographique
Résumé
There is currently much debate regarding the effectiveness of the driver license system in South Korea, due to the numerous traffic crashes caused by drivers who are suspected of having insufficient physical and mental abilities. Through the present system, it is quite difficult to identify such drivers indirectly through physical tests, such as visual acuity tests, since the correlation of such results with driving performance remains unclear. The objective of this study was to investigate the relationship between driving performance and visual acuities for improving the South Korean driver license system. In this study, two investigations were conducted: static and dynamic visual acuity examinations and driving performance tests based on a virtual reality (VR) system. The driving performance was evaluated with a driving simulator, based on driving behaviors in different experimental scenarios, including daytime and nighttime driving on a rural highway, and unexpected incident situations. Here, we produce statistically significant evidence that reduced visual acuity impairs driving performance, and driving behaviors differ significantly among groups with different vision capabilities, especially dynamic vision. Visual acuities, typically dynamic visual acuity, greatly influenced driving behavior, as measured by the standard deviation of speeds and vehicle LPs, and this was especially notable in curved road segments in daytime experiment. These experimental results revealed that the driving performance of participants with impaired dynamic visual acuity was deficient and unsafe. This confirmed that dynamic visual acuity levels are significant determinants of driving behavior, and they well explain driver performance levels. These findings suggest that the South Korean driver license system should include a test of dynamic visual acuity to create better and safer driving.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».