Vigilance Decrement During On-Road Partially Automated Driving Across Four Systems
Notice bibliographique
Résumé
OBJECTIVE: This study uses a detection task to measure changes in driver vigilance when operating four different partially automated systems. BACKGROUND: Research show temporal declines in detection task performance during manual and fully automated driving, but the accuracy of using this approach for measuring changes in driver vigilance during on-road partially automated driving is yet unproven. METHOD: Participants drove four different vehicles (Tesla Model 3, Cadillac CT6, Volvo XC90, and Nissan Rogue) equipped with level-2 systems in manual and partially automated modes. Response times to a detection task were recorded over eight consecutive time periods. RESULTS: Bayesian analysis revealed a main effect of time period and an interaction between mode and time period. A main effect of vehicle and a time period x vehicle interaction were also found. CONCLUSION: Results indicated that the reduction in detection task performance over time was worse during partially automated driving. Vehicle-specific analysis also revealed that detection task performance changed across vehicles, with slowest response time found for the Volvo. APPLICATION: The greater decline in detection performance found in automated mode suggests that operating level-2 systems incurred in a greater vigilance decrement, a phenomenon that is of interest for Human Factors practitioners and regulators. We also argue that the observed vehicle-related differences are attributable to the unique design of their in-vehicle interfaces.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».