MétaCan
Menu
Retour à la cohorte
Enregistrement W4385977576 · doi:10.1109/thms.2023.3298309

Gamification of Driver Distraction Feedback: A Simulator Study With Younger Drivers

2023· article· en· W4385977576 sur OpenAlexaff
Huei-Yen Winnie Chen, Jeanne Y. Xie, Birsen Donmez

Notice bibliographique

RevueIEEE Transactions on Human-Machine Systems · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueHuman-Automation Interaction and Safety
Établissements canadiensUniversity of Toronto
Organismes subventionnairesToyota Collaborative Safety Research Center
Mots-clésDistractionDriving simulatorSAFERSimulationHuman–computer interactionComputer scienceDistracted drivingVisual feedbackVideo feedbackPsychologyCognitive psychologyComputer securityArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Providing personalized behavioral information as feedback to drivers can lead to safer practices. However, feedback efficacy is likely moderated by the driver's level of motivation towards behavioral change. Gamification of feedback, which is the incorporation of game design elements intended to motivate drivers toward safe behaviors, could potentially reduce unsafe behaviors in the long term. This article assesses a gamified driver feedback design in mitigating driver distraction and enhancing driving performance among younger drivers. A driving simulator study was conducted with 42 drivers, 21–30 years old, comparing: 1) no feedback; 2) real-time feedback; 3) real-time feedback + postdrive feedback; and 4) real-time feedback + postdrive feedback + game design elements to examine their impact on distraction engagement (manual-visual interactions with an in-vehicle display) and driving performance. Groups that received postdrive feedback, both with and without gamification elements, showed reduced distraction engagement and enhanced driving performance compared to no feedback. Between the two types of postdrive feedback, the nongamified feedback provided more benefits in reducing the 95th percentile glance duration to the in-vehicle display, and the one with gamification provided more benefits in reducing the rate of manual interactions with the in-vehicle display. Meanwhile, no benefits were observed with the real-time feedback only condition over no feedback. Despite minor differences in efficacy, both postdrive and gamification feedback appear to be effective countermeasures for distracted driving in the short term. Future research should investigate other game designs for driver feedback and assess the impact of feedback gamification over longer-term exposure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,369
Écart entre enseignants0,323 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Human-Machine SystemsMême sujetHuman-Automation Interaction and SafetyTravaux en français237 207