Hazard Perception in Driving: A Systematic Literature Review
Notice bibliographique
Résumé
Hazard perception (HP) is the process of detecting and identifying hazards. Drivers’ HP abilities are critical for driving safety. This paper presents a systematic literature review of driver HP, including scientific measures of HP, major human factors affecting HP, and training methods for improving HP skills. Sixty-nine peer-reviewed studies were identified and reviewed. The results showed that common measures of HP include hazard scenario questionnaires, HP reaction time, hazard hit rate, and eye fixation measures such as fixation probability, fixation reaction time, fixation duration, and fixation variance. Major human factors that affect HP include experience, aging, fatigue, distraction, and the use of alcohol and drugs. Various training methods have been developed to train and improve drivers’ HP skills. In general, there is evidence in the literature showing the effectiveness of HP training. A combination of complementary training approaches such as instruction, expert demonstration, and active practice with feedback and attention support the use of picture-, video-, computer-, and simulator-based training methods to improve HP performance in shorter HP reaction time, higher hazard hit rate, and better eye scan patterns (more spread scan, more anticipatory scan). These findings could guide future work developing and designing HP training programs. Three future research areas are identified and discussed: the need for standardized HP tests, long-term testing of HP training programs, and new HP questions and challenges brought by partially automated vehicles.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».