Training perceptual-cognitive abilities improves simulated driving performance
Notice bibliographique
Résumé
Introduction: Research has demonstrated links between driving ability and perceptual-cognitive abilities. Such research is typically conducted in older adult populations due to well-established cognitive decline even in healthy ageing. Still, some authors have argued that the relationship should not be neglected in younger drivers. This study investigated whether training three-dimensional multiple object tracking (3D-MOT)—a dynamic, speeded tracking task soliciting multiple forms of attention and speed-of-processing—would produce beneficial transfer to measures of simulated driving performance and whether the effect might vary in older and younger adults. Methods: 34 subjects (20 young adult, 14 older adult) divided into 3D-MOT and active control groups were recruited and trained twice weekly for 5 weeks during 30-minute laboratory sessions (10 total). Pre- and post-training driving performance was assessed using previously-validated objective driving measures on driving simulator scenarios pre-programmed with dangerous events necessitating participants to react appropriately to avoid collisions. Results: Younger and older adults exhibited very different learning outcomes on the specific 3D-MOT training paradigm employed in this study, suggesting it may not have been optimal for both age groups. This appeared to be further reflected in differential training transfer outcomes. Nevertheless, analysis of covariance revealed a statistically significant increase in the distance at which participants trained using 3D-MOT finished executing braking maneuvers in response to dangerous events compared to active controls [F(1,29) = 4.59, p = .041, η2p = .14]. Conclusion: The findings are consistent with the idea that 3D-MOT training enhances perceptual-cognitive ability and that this can translate to quicker reactions during a simulated driving task. This result provides a rationale for future studies examining whether such training may produce long-term improvements in driver safety in the real world.
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 | 0,000 | 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) | 0,002 | 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 ».