Improving Truck Driver and Vulnerable Road User Interactions Through Driver Training: An Interview Study With Canadian Subject Matter Experts
Notice bibliographique
Résumé
Collisions between trucks and vulnerable road users (VRUs) represent one of the most severe types of road collisions. Research initiatives to mitigate truck–VRU collisions include vehicle redesign, infrastructure improvements, and driver warning systems. Truck driver training is a complementary solution that can lead to improved driving behavior and collision reduction. We aimed to understand the perceptions of subject matter experts of current truck driver training in Ontario, Canada, to identify gaps and potential improvements, particularly targeting VRU safety in urban areas. Further, we investigated the degree to which VRU safety is covered and the potential to incorporate it in training through simulators. We conducted semi-structured interviews with 21 truck driver trainees, novice and experienced truck drivers, a driving instructor, and road safety professionals. The participants highlighted a notable gap between current training and real-world truck driving. VRU safety and hazard anticipation training emerged as a missing component in training. Nine out of 11 participants who received simulator training perceived it positively and recommended it for its safe and relatively realistic environment. The main topics that should be incorporated in VRU safety training, as recommended by interviewees, include training on difficult truck maneuvers with presence of VRUs, anticipating hazardous VRU actions, and navigating difficult infrastructure components. This work presents subject matter expert perceptions of current truck driver training in Ontario, Canada, and identifies gaps and improvements targeting VRU safety. Although the study is based on Ontario, the results can apply across Canada and beyond, where trucks pose dangers to VRUs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,004 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».