A Feasibility Randomized Trial Evaluating <i>Safe Peds</i>: A Virtual Reality Training Program to Teach Children When to Cross Streets Safely
Notice bibliographique
Résumé
OBJECTIVE: Injury as pedestrians is a leading contributor to childhood deaths. This study evaluated the effectiveness of Safe Peds, a fully immersive virtual reality training program to teach children when to cross street safely, with the focus on a number of foundational skills and practicing these in traffic situations of varying complexity. METHODS: Children 7-10 years old were randomly assigned to a control (N = 31) or intervention (N = 26) group. Eligibility criteria included English speaking and typically developing. Testing took place on campus. All children completed pre- and post-testing measures, with those in the intervention group receiving training in between. Training comprised 1 session with 3 phases for a total of up to 1.5 hr and was tailored to each child's performance over trials. On each trial, children decided when to cross and fully executed this crossing, with measures automatically taken by the system as they did so. RESULTS: Negative binomial regression and analysis of covariance tests were applied, predicting post-test scores while controlling for pre-test scores, age, and sex. The intervention was effective in improving children's street crossing skills, including stopping and checking skills (stop at the curb, look left/right/left, check for traffic before crossing the yellow line), and choosing safe inter-vehicle gaps. Children in the control group did not show significant improvements in any crossing skills. CONCLUSIONS: The Safe Peds program effectively teaches children skills to support their deciding when to safely cross in a variety of traffic situations. Implications for pedestrian injury are discussed.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».