Comparison of Two-Level and Three-Level Graded Collision Warning Systems Under Distracted Driving Conditions
Notice bibliographique
Résumé
Advancements in vehicle technology such as collision warning systems are essential for improving driver alertness and decision-making to enhance road safety. This study evaluates the effectiveness of 2-level and 3-level graded collision warning systems on driver performance under various driving conditions. Forty participants participated in a controlled driving simulator study using a within-between-participant design to examine the impact of these warning systems on response time, collision frequency, physiological responses, and visual attention dynamics. The 3-level system providing graduated alerts through visual, haptic, and auditory cues, showed a significant reduction in response times and collision frequencies compared to the 2-level system. This improvement likely results from the multi-sensory approach that supports cognitive load theory and facilitates hazard detection. Although physiological measures such as Electrodermal Activity and Heart Rate did not show significant differences between the systems, the 3-level system produced more consistent responses suggesting a stable emotional state and reduced stress. Eye-tracking data indicated that the 3-level system improved sustained visual attention and reduced distraction. Subjective evaluations favored auditory warnings emphasizing the importance of user-friendly and intuitive systems. The findings demonstrate the potential of multi-level warning systems to enhance driver safety and performance in high-risk scenarios and suggest the need for customizable systems to accommodate individual differences in cognitive load management. These insights can inform developing advanced collision warning systems that mitigate risks associated with distracted driving and promote a safer driving environment.
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 ».