How do drivers allocate visual attention to vulnerable road users when turning at urban intersections?
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
Drivers turning at urban intersections pose a high risk to Vulnerable Road Users (VRUs), such as cyclists and pedestrians. In vehicle collisions with VRUs, driver attention misallocation is considered a leading contributor. While previous naturalistic studies have examined driver gaze behaviors at intersections, findings are limited to general gaze directions obtained through video analysis, meaning specific areas to which drivers attend cannot be determined. We present a secondary analysis of an on-road instrumented vehicle dataset collected in 2019 which offers eye-tracking and video data from 26 experienced drivers (13 cyclists and 13 non-cyclists). Three coders jointly examined eye-tracking footage from four right-signalized turns (n = 96) to quantify drivers’ glance distributions to various areas of interest, including those most relevant to VRU safety when drivers turn. Individual temporal glance patterns and general attention allocation trends are presented and described. (1) Relevant pedestrians were the top objects of glance irrespective of signal status, and (2) at red light turns, driver attention was heavily skewed toward leftward traffic. This analysis provides a detailed report of driver glance distributions toward scene-specific areas (as opposed to general directions) at urban intersections and discusses how these patterns may influence VRU safety. This study provides important information regarding the human factors challenges of vehicle-VRU collisions and their prevention.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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