Efficacy and feasibility of a breath sensor for detecting driver fatigue and drowsiness
Notice bibliographique
Résumé
Efficacy and feasibility of a breath sensor for detecting driver fatigue and drowsinessCarl I. Schulman, Chitvan Killawala, Umer Bakali, Jeramy Baum, Emre Dikici, Kevin Miller, Kelly Withum, Sapna Deo, Leonidas Bachas and Sylvia DaunertExploring disparities in cannabis-impaired driving: a sociodemographic and behavioural analysis based on the Canadian Automobile Association (CAA) surveys in Ontario, 2021–2023Renzo Calderón Anyosa, Robert Colonna, Christine M. Wickens, Michael Stewart and Brice BatomenInflammatory protein elicitation in response to whole-body vibration exposureNicholas Miller, Suzanne Konz, Steven Leigh and Holly CyphertMotor vehicle crash occupants with tibial fracture have different outcomes based on patient zip codeDanelson K. A., Cooper A., Gwam C., Reiser J., Henry K. and Pilson H.Pedal confusion, pedal errors, and consequent unintended accelerations in drivers with diabetic peripheral neuropathyM. Esselaar, M. Perazzolo and D. E. Marple-HorvatInvestigating the determinants of over-speeding behavior among car drivers in India using theory of planned behavior and psychological flow theoryHarshita Joshi and Ankit Kumar YadavRisk factor for serious injury of far-side occupants in motor vehicle side crashes using the KIDAS (Korean In-Depth Accident Study) dataChan Young Kang, Kang Hyun Lee, Oh Hyun Kim, Yeon Il Choo, Dooruh Choi, Dong Gu Kang, Jin Ho Yu, Jung Hun Lee Hee Jin Kim and Hee Young Lee
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 | 0,000 | 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) | 0,000 | 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 ».