Simulator sickness in older adults during active and passive driving tasks.
Notice bibliographique
Résumé
Advanced driving simulators are important for testing challenging driving scenarios under controllable, repeatable, and safe conditions in the context of driving rehabilitation, training, and assessment, which are particularly relevant for older drivers. Simulator sickness (e.g., nausea, fatigue, disorientation) is a common side-effect of driving simulators, not only affecting passive passengers but also the driver. The goal of the present study was to investigate how control over the vehicle may impact the severity of simulator sickness in a high-fidelity driving simulator, particularly in older adults. Thirty-four healthy participants (65+ years old; 13 women) were engaged in a driving simulator task under conditions that varied in the extent to which they had active control over the simulated vehicle (manual vs. fully automated). Various baseline measures (visual acuity, cognitive abilities, mood) were recorded, and simulator sickness was measured using the Simulator Sickness Questionnaire after each drive. No differences in simulator sickness severity were observed between the two driving control conditions (manual vs. fully automated), but women reported significantly more simulator sickness than men. In addition, a positive relationship between simulator sickness and cognitive abilities was found, indicating that better cognitive performance was associated with more simulator sickness. Additionally, in terms of sensory abilities, better visual acuity was linked to more severe simulator sickness. Our findings suggest that controllability of a vehicle may not have a large effect on the severity of simulator sickness in older adults, but that biological sex as well as cognitive and sensory abilities may be relevant factors worth considering.
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) | 0,001 | 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 ».