FEW OLDER DRIVERS TAKE REFRESHER COURSES: IDENTIFICATION OF FACILITATORS AND BARRIERS
Notice bibliographique
Résumé
Abstract Older drivers may benefit from driver refresher courses, particularly from courses with on-road training. Yet, the uptake of refresher courses and the factors associated with the decision to enroll is poorly documented. We examine these issues using the Candrive prospective cohort (recruitment stated in 2009; N = 927), a representative sample of older Canadian drivers. We operationalized our outcome variable as having taken any non-mandatory refresher course within the last 10 years (yes/no). We developed a conceptual model that includes sociodemographic factors (e.g., age), health-related factors (e.g., medical conditions), and driving-related factors (e.g., driving comfort), and identified the contribution of these factors using logistic regression. Participants’ mean age was 76.21 (SD=4.85) and 576 (62.1%) were males. Ninety-eight participants (10.6%) reported having taken a non-mandatory refresher course within the last 10 years; roughly half reported the course included an on-road component. The multivariable regression model (-2 log likelihood = 518.41, p <.001, Nagelkerke R-square =.17) identified six of 13 variables entered into the model as statistically significant. The odds of having taken a course differed by province of residence, and was higher with increasing age, if their driving was important for others, were a volunteer, and spoke to a physician about driving, but was lower if they enjoyed driving. Our results indicate that the uptake of refresher courses is limited but is associated with potentially modifiable factors. Deepening our understanding of these facilitators and barriers will help support older adults to drive safely for longer.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».