Training benefits driver behaviour while using automation with an attention monitoring system
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Attention, or more generally, driver monitoring systems have been identified as a necessity to address overreliance on driving automation. However, research suggests that monitoring systems may not be sufficient to support safe use of advanced driver assistance systems (ADAS), also evidenced by a recent major recall of Tesla’s monitoring software. The objective of the current study was to investigate whether different training approaches improve driver behaviour while using ADAS with an attention monitoring system. A driving simulator study was conducted with three between-subject groups: no training, limitation-focused training (highlighted situations where ADAS would not work), and responsibility-focused training (highlighted the driver’s role/responsibility while using ADAS). All participants (N = 47) experienced eight events which required the ego-vehicle to slow down to avoid a collision. Anticipatory cues in the environment indicated the potential for the upcoming events. Event type (covered in training vs. not covered) and event criticality (action-necessary vs. action-not-necessary) were within-subject factors. The responsibility-focused group made fewer long glances (≥ 3 s) to a secondary task than the no training and limitation-focused groups when there were no anticipatory cues. Responsibility-focused training and no training were associated with faster takeover time at the events than limitation-focused training. There were additional benefits of responsibility-focused training for events that were covered in training (e.g., higher percent of time looking at the anticipatory cues). Overall, our results suggest that even if attention monitoring systems are implemented, there may be benefits to driver ADAS training. Responsibility-focused training may be preferable to limitation-focused training, especially for situations where minimizing training length is advantageous.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle