Pilot Test of Fatigue Management Technologies
Notice bibliographique
Résumé
This study involved over-the-road testing of four fatigue management technologies (FMTs) in trucking operations in Canada and the United States. Technologies bundled into a single intervention came from four fatigue management domains: one providing objective information on driver sleep need, one providing objective information on driver drowsiness, one providing objective information on lane tracking performance, and one reducing the work involved in controlling vehicle stability while driving. The objective was to determine driver reactions to such technologies and whether FMT feedback would improve alertness, especially during night driving, or increase sleep time on workdays or nonworkdays. A within-subjects crossover design was used to compare the effects of FMT feedback to no feedback. Each driver underwent the conditions in the same order: 2 weeks of no feedback (control) followed by 2 weeks of FMT feedback (intervention). Data from the devices and other driving performance variables were recorded every second of truck operation for 28 days for each driver, with a resulting 8.7 million data records among the 38 drivers. Support was found for FMT effects. During night driving, FMT feedback significantly reduced driver drowsiness (p = 0.004) and lane tracking variability (p = 0.007). However, there was evidence from probed psychomotor vigilance task testing that these improvements may have had cost because of the effort (in attention and compensatory behaviors) required to respond to information from the devices. In general, participants agreed that commercial drivers would benefit from FMT and were more positive about those involving vehicle monitoring than those involving driver monitoring.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 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 ».