Visual and steering behaviours during lane departures: a longitudinal study of interactions between lane departure warning system, driving task and driving experience
Notice bibliographique
Résumé
Lane Departure Warning Systems (LDWS) generate a warning in case of imminent lane departure. LDWS have proven to be effective and associated human-machine cooperation modelled. In this study, LDWS acceptance and its impact on visual and steering behaviour have been investigated over 6 weeks for novice and experienced drivers. Unprovoked lane departures were analysed along three driving tasks gradually more demanding. These observations were compared to a baseline condition without automation. The number of lane departures and their duration were dramatically reduced by LDWS, and a narrower visual spread of search during lane departure events was recorded. The findings confirmed LDWS effectiveness and suggested that these benefits are supported by visuo-attentional guidance. No specific influence of driving experience on LDWS was found, suggesting that similar cognitive processes are engaged with or without driving experience. Drivers’ acceptance of LDWS lowered after automation use, but LDWS effectiveness remained stable during prolonged use.Practitioner summary: Lane Departure Warning Systems (LDWS) have been designed to prevent lane departure crashes. Here, LDWS assessment over a 6-week period showed a major drop in the number of lane departure events increasing over time. LDWS effectiveness is supported by the guidance of drivers’ visual attention during lane departure events.
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 | 0,000 | 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 | 0,000 | 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 ».