UTILIZING ADVANCED DRIVER ASSISTANCE SYSTEMS IN LATER LIFE: INSIGHTS FROM A LONGITUDINAL STUDY ON AGING DRIVERS
Notice bibliographique
Résumé
Abstract Level 1 and 2 Advanced Driver Assistance System (ADAS) technologies (e.g., adaptive cruise control, blind spot warning, lane keep assist) are predicted to be available in approximately three-fourths of all vehicles worldwide by 2025. To realize the potential of these systems in extending safe mobility for aging adults, it is critical that the driver understands the functionality of the technology and uses the system appropriately. The current study examined demographic and vehicle technology questionnaire data from the Longitudinal Research on Aging Drivers (LongROAD) cohort study which concluded in December 2022. A total of 1,417 participants changed their vehicle throughout the study. There were statistically significant increases in the prevalence of all 15 ADAS technologies examined. Despite increases in prevalence, frequency of using the technologies remained unchanged across 5 years. Frequency of use also varied by functionality of the technology whereby participants reported higher frequency of using technologies that provide alerts, such as blind spot warning, than technologies that take action to assist drivers with vehicle operations, such as adaptive cruise control. Results showed differences in prevalence and use of technologies by income and education, suggesting disparities in access to vehicles with technologies that could help to create a safer driving experience. In consideration of the rapid proliferation of ADAS into the vehicle fleet, increased research into how older drivers learn about and use ADAS technologies will assist in efforts to develop tailored and accessible programs for training older adults to properly utilize ADAS available in their own vehicles.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».