Effect of psychosocial interventions on risky driving behaviours among offender drivers by using simulated and real driving: study protocol for a non-randomised controlled trial
Notice bibliographique
Résumé
BACKGROUND: Risky driving behaviour including anger while driving has led to millions of global road traffic crashes, thousands of mortalities and injuries. These losses are much more in middle-income countries, such as Iran. This paper explains methods of data collection in a controlled trial study for evaluating the effect of psychosocial interventions on risky driving by using simulated and real driving. METHODS: This non-randomised controlled trial study will include 180 offender drivers. They will refer to the simulation laboratory by traffic police after their driving licences were suspended. At baseline, all participants will fill five questionnaires including demographic, Driving Anger Scale, Driving Anger Expression Scale, Spielberger's Anger and Manchester Driving Behavioural, and then they will be tested with a driving simulator. Afterwards, they will be allocated to one of three-intervention training arms (mindfulness, meta-cognition and social marketing) or a control arm without any training. Risky driving behaviours will be assessed in three follow-ups after intervention. The primary outcome of interest will be driving offences, recorded by traffic police in two time points: at 6 months and 1 year after the intervention. DISCUSSION: This study examines the effect of three interventions in reducing driving offence. The results can end in a new therapeutic training or a new legislation that should be added to current obligatory training for getting driving licence and can lead to long-term safe driving among Iranian drivers. Future research is recommended to study the cost-effectiveness of these interventions in actual driving in Iran. TRIAL REGISTRATION NUMBER: UMIN000039493.
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) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».