MétaCan
Menu
Retour à la cohorte
Enregistrement W4409832814 · doi:10.1177/03611981251324207

Stabilization Time after Mode Switch in Conditionally Automated Driving: Focusing on Drivers’ Cognitive Load and Visual Attention

2025· article· en· W4409832814 sur OpenAlexaff
Yujin Li, Praneet Sahoo, Nicola Vasta, Francesco Biondi

Notice bibliographique

RevueTransportation Research Record Journal of the Transportation Research Board · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueHuman-Automation Interaction and Safety
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésDriving simulatorCognitive loadCognitionMode (computer interface)Computer scienceControl (management)SimulationHuman–computer interactionArtificial intelligencePsychology

Résumé

récupéré en direct d'OpenAlex

The switch between automated and manual driving modes is currently an inevitable topic for automated vehicles. Understanding how long it takes drivers to stabilize physically and cognitively after the driving mode switch is important to maintain driving safety. Given that little attention has been paid to drivers’ stabilization time after the driving mode switch, this study focuses on drivers’ cognitive load and visual attention and aims to investigate drivers’ stabilization time after the driving mode switch. Twenty-eight participants drove in a high-fidelity driving simulator where they experienced mode switching from manual to automated and from automated to manual. Reaction time to the detection response task and on-road fixation durations were measured throughout the experiment to assess drivers’ cognitive load and visual attention. Results revealed that it took drivers 10 to 15 s to stabilize their cognitive load after taking over the manual control of the simulated vehicle, and 5 to 10 s to stabilize after relinquishing manual driving to the automated system. These findings indicate that drivers’ cognitive load and visual attention will fluctuate after driving mode switches and a buffer time should be provided to ensure driving safety. By exploring drivers’ cognitive load and visual attention after driving mode switches, this study offers valuable insights into the design of automated driving systems and helps to improve road safety. In developing automated driving systems, efforts should be made to identify an appropriate time window for drivers to perform stable driving performance and improve their in-vehicle experience.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,449
Écart entre enseignants0,405 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransportation Research Record Journal of the Transportation Research BoardMême sujetHuman-Automation Interaction and SafetyTravaux en français237 207