MétaCan
Menu
Retour à la cohorte
Enregistrement W4319333824 · doi:10.1177/07334648231156320

The Association between Psychological Resilience and Driving Behavior among Older Drivers in Australia

2023· article· en· W4319333824 sur OpenAlexafffund
Renée M. St. Louis, Sjaan Koppel, Lisa J. Molnar, Marilyn Di Stefano, Pēteris Dārziņš, Michel Bédard, Nadia Mullen, Anita Myers, Shawn Marshall, Judith Charlton

Notice bibliographique

RevueJournal of Applied Gerontology · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueOlder Adults Driving Studies
Établissements canadiensOttawa HospitalUniversity of WaterlooLakehead University
Organismes subventionnairesAustralian Research CouncilCanadian Institutes of Health ResearchMonash University
Mots-clésDemographicsPsychological resiliencePsychologyRegression analysisMultilevel modelPoison controlDemographyCohortSample (material)Injury preventionResilience (materials science)Human factors and ergonomicsOccupational safety and healthSuicide preventionGerontologyMedicineEnvironmental healthSocial psychologyStatisticsMathematicsSociology

Résumé

récupéré en direct d'OpenAlex

This study compared a sample of Australian drivers aged 77 years and older to participants from an older driver longitudinal cohort study (Ozcandrive) and examined the relationship between resilience and self-reported driving measures within these samples. Using a survey with a subset of questions from Ozcandrive, data were collected from 237 older drivers throughout Australia. The two samples were analyzed for differences in demographics, health, resilience, and self-reported driving behavior. A series of multiple regression models were fit for each driving outcome measure for both samples. The two samples had both similarities and differences, with the largest difference observed for resilience. Strong and consistent associations were found between resilience and driving comfort, abilities, and frequency for the Australian sample. Across samples, resilience remained a significant variable in seven of 10 regression models, more than any other independent variable.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,445

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,445
Écart entre enseignants0,364 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied GerontologyMême sujetOlder Adults Driving StudiesTravaux en français237 207