Repetitively Driven Trips as a Measure of Older Adult Driver Cognitive Health – Three Case Studies
Notice bibliographique
Résumé
Older adult in-car driving data represents a valuable data source where successful measurement and interpretation could assist clinicians in driving fitness assessments. One of the measurement challenges with naturalistic driving assessments is the many possible sources of variability. Therefore, focusing measurements on a trip that is driven repetitively over a sustained period of time may reduce sources of variability and increase utility in driving assessments. In this study, repetitive-trips with two destinations that were driven at least 20 times during the first year of driving were investigated across a period of five years for three different older adult drivers with the goal of providing a preliminary evaluation of the value of repetitive-trip-focused metrics. The three older adult drivers had three different cognitive health statuses: one with better, relatively stable cognitive health and two with declining cognitive health associated with different cognitive assessments. The repetitive-trip-derived metrics included trip frequency, velocity metrics (mean, standard deviation, percentiles, and coefficient of variation), and route similarity. The older adult driver with better, relatively stable cognitive health had relatively stable driving patterns. The older adult driver with a marked, early decline in Trails Making B-measured cognitive health appeared to drive slower and with a higher portion of driving time spent stopped. The older adult driver with a gradual, sustained decline in MoCA-measured cognitive health had gradual changes in driving behaviours across the five-year period related to frequency, velocity, and route similarity. Therefore, this study provides a preliminary indication that repetitive-trips may provide a useful measure of older adult driving performance related to cognitive health status by reducing sources of variability. Future work is needed to assess these initial findings on a larger sample of older adult drivers.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».