Taking prevalence effects on the road: Rare hazards are often missed
Notice bibliographique
Résumé
Previous work has shown that, in many visual search and detection tasks, observers frequently miss rare but important targets, like weapons in bags or abnormalities in radiological images. These prior studies of the low-prevalence effect (LPE) use static stimuli and typically permitted observers to search at will. In contrast, many real-world tasks, like looking for dangerous behavior on the road, only afford observers a brief glimpse of a complex, changing scene before they must make a decision. Can the LPE be a factor in in dynamic, time-limited moments of real driving? To test this, we developed a novel hazard-detection task that preserves much of the perceptual richness and complexity of hazard detection in the real world, while allowing for experimental control over event prevalence. Observers viewed brief video clips of road scenes recorded from dashboard cameras and reported whether they saw a hazardous event. In separate sessions, the prevalence of these events was either high (50% of videos) or low (4%). Under low prevalence, observers missed hazards at more than twice the rate observed in the high-prevalence condition. Follow-up experiments demonstrate that this elevation of miss rate at low prevalence persists when participants were allowed to correct their responses, increases as hazards become increasingly rare (down to 1% prevalence) and is resistant to simple cognitive intervention (participant prebriefing). Together, our results demonstrate that the LPE generalizes to complex perceptual decisions in dynamic natural scenes, such as driving, where observers must monitor and respond to rare hazards.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,218 | 0,011 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».