Plateau effect on driver’s hazard perception response mode: Graph construction approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is crucial for drivers to conduct rapid and effective risk perception and response processes when faced with hazardous driving situations. The low pressure and oxygen environment in the plateau results in a greater workload of drivers, contributing to a significant decline in perception and response ability. This study proposes a graph construction approach to model drivers’ hazard response modes (HRMs) in plateau areas. A total of 31 drivers (23 males) aged 21 to 55 years (M [age] = 28.0 years, M [driving experience] = 6.5 years) were recruited to participate in four hazard perception experiments using a UC-WIN/ROAD driving simulator. The experiments were successively conducted in five cities with different altitudes, including Nanjing (50 m), Nyingchi (2,995 m), Lhasa (3,650 m), Nagqu (4,460 m), and Yanghu Scenic Spot (4,998 m). Then, according to the graph construction approach, four HRMs for drivers were extracted. In addition, two series of generalized linear models were proposed to analyze the relationships between the perception reaction time (PRT), HRM, altitude, age, acclimation period, gender, and driving experience. The effects of significant variables, including scenario types, altitude, acclimation period, driving experience, and gender, were used in the construction of HRM and risk perception ability of plateau drivers. These results showed that constructing HRMs to model the driving styles of plateau drivers is feasible and effective, enabling future driving assistance systems to be better customized for drivers in such a particular condition.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle