Distracted when Using Driving Automation: A Quantile Regression Analysis of Driver Glances Considering the Effects of Road Alignment and Driving Experience
Notice bibliographique
Résumé
Background: SAE Level 2 driving automation, the state-of-the-art in commercial vehicles, requires drivers to monitor the environment to resume vehicle control when automation limits are surpassed. However, this type of driving automation was found to increase distraction engagement. Although experienced drivers were shown to better regulate their visual engagement in distracting activities when driving with and without automation, the moderating effects of road demands (e.g., road alignment) have yet to be explored in detail, in particular, for driving with automation. Objective: To better understand the combined effects of road alignment, driving automation, and driving experience, we investigated the effects of these factors on driver glances to a visual-manual distraction task. Method: We present a secondary analysis, using quantile regression, of two previously reported driving simulator experiments. A total of 32 participants’ data, 16 from each experiment, were utilized. Half of these participants were novice and the other half were experienced drivers. The first experiment focused on non-automated driving, while the second focused on driving with adaptive cruise control and lane keeping assistance systems combined (i.e., SAE Level 2). The analysis reported here focuses on drivers’ visual distraction engagement in two highway drives that were identical across the two experiments. Results: With driving automation, compared to experienced driver glances, the duration of novice driver glances to the distraction task was more variable, longer, and less sensitive to variations in road alignment. Implications: These findings suggest that, with driving automation, novice drivers are more at risk of inappropriate engagement in distractions and do not adapt to road demands as well as experienced drivers, and thus should be supported accordingly.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».