Drivers Still Have Limited Knowledge About Adaptive Cruise Control Even When They Own the System
Notice bibliographique
Résumé
Much of the existing research on drivers’ understanding of adaptive cruise control (ACC), a type of advanced driver assistance system, was conducted several years ago. Through an online survey, this study aimed to assess ACC knowledge among ACC owners and non-owners now that this system is more widely available. Along with knowledge of ACC features and limitations, demographic information, experience with technology, and experience with ACC (for owners) were also collected to investigate which factors predicted knowledge of ACC features and limitations. Results showed that owners today may have a better understanding of some of the main limitations of ACC compared with research conducted over 10 years ago. However, a large percentage of owners still had misperceptions about their ACC system. While owners had a slightly higher percentage of correct answers overall, they did not differ from non-owners in their knowledge of limitations. As this technology is becoming more common, even non-owners may be becoming aware of common limitations; owning and using ACC does not seem to result in a better system understanding. Higher income was associated with a higher percentage of correct responses on the ACC knowledge questionnaire for both owners and non-owners, and for non-owners, higher education level was also significantly associated with a higher percentage of correct responses. Future research should focus on developing training materials that are accessible to all drivers, so that drivers in lower education and income groups are also supported to understand how advanced driver assistance systems work and benefit from these technologies.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».