Booster Dose of Attention Training Program for Young Novice Drivers: A Longitudinal Driving Simulator Evaluation Study
Notice bibliographique
Résumé
OBJECTIVE: We examined the effectiveness of a second exposure to ACCEL, a novel driving training program, on latent hazard anticipation (HA) performance several months after their first exposure. BACKGROUND: Past research has demonstrated that PC-based driver training programs can improve latent HA performance in young novice drivers, but these improvements are below the ceiling level. METHOD: Twenty-five participants were randomly assigned to either the Placebo group, the ACCEL-1 group, or the ACCEL-2 group. Following the completion of the assigned training program, participants drove a series of eighteen scenarios incorporating latent hazards in a high-fidelity driving simulator with their eyes tracked. Participants returned two to six months following the first session and completed either the placebo program (ACCEL-1 and Placebo groups), or a second dose of training program (ACCEL-2 group), again followed by simulated evaluation drives. RESULTS: The ACCEL-2 group showed improved HA performance compared to the ACCEL-1 and Placebo groups in the second evaluation. CONCLUSION: ACCEL enhances young novice drivers' latent HA performance. The effectiveness of ACCEL is retained up to 6 months, and a second dose further improves HA performance. APPLICATION: Policy makers should consider requiring such training before the completion of graduate driver license programs. Young novice drivers that do not show successful latent HA performance could be required to complete additional training before being allowed to drive without restrictions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».