Examining Driver Situation Awareness in the Takeover Process of Conditionally Automated Driving With the Effect of Age
Notice bibliographique
Résumé
Background: Previous research has shown that drivers from different age groups demonstrated different Situation Awareness (SA) levels in the takeover process of conditional automated driving, where drivers need to collect surrounding information, perceive hazardous events, and make correct actions. Objective: To further explore the reason for this age-related difference, we investigated the SA from two different measures, Hazard Perception Time and scores from delayed SAGAT questions. The Hazard Perception time reflects both cognitive processes and ocular movements. The delayed SAGAT test was completed after each scenario, revealing how drivers perceived and comprehended information. Method: This study recruited drivers from three age groups, young, middle-aged, and older drivers. Especially, this study recruited old-old drivers (75+ years old), who have more severe cognitive impairments compared to young-old drivers (65 - 75 years old). Each driver went through 12 driving scenarios with different road types (highway straight, highway curved, city straight, and city curved) and driver types (manual only, autopilot only, and autopilot with non-driving-related Tasks). Results: The result showed that older drivers had significantly higher Hazard Perception Time and statistically equivalent SAGAT scores compared to the other two age groups. Also, curved roads led to significantly higher Hazard Perception Time for older drivers. Conclusion: Older drivers’ decreased SA mainly came from the delayed ocular movement, which was moving their gaze toward hazardous events in the current experiment. Researchers should be more mindful regarding the slowed ocular movement of older drivers when designing takeover systems.
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 | 0,000 |
| 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) | 0,001 | 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 ».