The Investigation of Visual Characteristics of High‐Speed Railway Drivers: Perspectives of Light Environment
Notice bibliographique
Résumé
High‐speed railway (HSR) operations heavily rely on visual inputs, yet there is a notable gap in examining how HSR drivers adjust their eye movements in response to different lighting conditions, despite the pivotal role visual cues play in such environments. This investigation employed a Tobii Nano eye‐tracker to capture the visual behaviors of HSR drivers during simulated driving exercises. It centered on 4 areas of interest (AOIs): the front window, prompt area, dashboard, and speed dial. By using Train Sim World 3, we created 3 scenes (open section, short tunnel, and long tunnel) and utilized 4 key metrics (average pupil diameter, APD; time to first fixation, TFF; duration of first fixation, DFF; fixation duration, FD) to evaluate the variations in visual attention patterns of HSR drivers. The results reveal a significant relationship between these indicators and driving scenes. Drivers in tunnel settings tend to have a longer time to form fixations, reflected by longer TFF, duration of first fixation (DFF), and FD. Pupil dilation is most pronounced in tunnels with weaker light (long tunnels), while stronger light (short tunnels) leads to increased TFF, DFF, and FD. At the outset of the driving task, the front window and speed dial are the earliest fixated (earlier TFF). Throughout the driving, speed dial continues to be a central fixation, manifested by extended DFF and FD. Gaining insight into HSR drivers’ visual behaviors is essential for enhancing driving safety.
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 ».