Music Distraction among Young Drivers: Analysis by Gender and Experience
Notice bibliographique
Résumé
The aim of this study was to quantify the probability of committing a speed infraction by young drivers and to investigate to what extent listening music could affect young drivers’ emotions as well as their driving performances at the wheel. To achieve this aim, employing Bayesian networks, the study analysed different music styles, in which they resulted in sample drivers’ speed infractions. Gender and drivers’ experiences at the wheel were the other factors, which were taken into account when interpreting the study results. Variables taken into account in this study included type of music whilst driving, gender of drivers, and drivers’ driving experiences. These variables further incorporated into the study of other telemetric variables including acceleration, number of revolutions per minute (RPM) of the engine, brake, traffic, and other types of infractions other than speed, which were considered as dependent variables. A driving simulator was used, and different driving simulation studies were carried out with young people aged between 20 and 28 years. Each participant carried out three simulations by listening to different type of music in each journey. The study defined a conceptual model in which the data were analysed and evaluated mathematically through Bayesian networks. A sensitivity analysis was performed to evaluate the influence of music on driving speed. Based on the different variables, the study further analysed the probability of speed infractions committed by drivers and their adequate speed. The range of frequency probabilities varied between 96.32% (which corresponds to experienced male drivers who do not listen to music) and 79.38% (which corresponds to less-experienced female drivers who listen to music), which resulted in their happiness or aggression.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».