Impact of Driver Age and Experience in Software Usage on Driving Safety and Usability of Car-Sharing Software
Notice bibliographique
Résumé
Car-sharing economy has caused new driving safety and usability problems, which have not been well studied. This study aims at analyzing the effects of users age and the user experience (UX) of the car-sharing software (e.g., DiDi travel app) on overall usability and the level of distraction for drivers. To this end, 48 experienced Chinese drivers were recruited to perform various tasks with the car-sharing software using a driving simulator. The variables of driving safety and usability were analyzed by two-way analysis of variance (ANOVA) and independent sample Kruskal–Wallis nonparametric test. As expected, it was found that car-sharing software has a significant negative impact on driving distraction and usability. The overall performance of young drivers is better than that of the elderly, but it seems that young drivers are more likely to be led to errors by car-sharing software. In most aspects, experienced drivers perform better than inexperienced drivers and have a better in-depth understanding of car-sharing software weaknesses. However, inexperienced drivers performed better regarding braking time and interaction time. Although young inexperienced drivers performed worst in driving safety, they exhibited the lowest cognitive load and the highest interaction efficiency. The experience of using car-sharing software may improve driver’s ability to deal with driving distractions. The above conclusions provide theoretical support for optimizing the UX of car-sharing software and some references for driver’s screening and 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 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 | 0,000 |
| 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 ».