Efficacy of automated in-vehicle technologies to improve driver fitness of people with Parkinson’s Disease
Notice bibliographique
Résumé
The objective of this study is to measure how In-Vehicle Information Systems (IVIS) and Advanced Driver Assistance Systems (ADAS) impact the driving abilities of individuals with Parkinson's Disease (PD), specifically by quantifying the number of on-road errors. In the experiment, 107 PD participants drove a 2019 Toyota Camry on designated highway and suburban roads. Participants alternated between driving half of the route with IVIS and ADAS activated and the other half with the systems deactivated. Driving performance data, including on-road errors, were collected by both the in-vehicle Driver Rehabilitation Specialist (DRS) and satellite telemetry. Some technical issues were encountered during the data collection process, resulting in some incomplete or missing data points. These entries were left vacant in the datasheet file (Processed and Summary of IVIS-ADAS Activation Data File), and a note column was added to denote the issue associated with the relevant variables. Here is the description of each data file: 1. Demographic Data File: Surveys data, including Recruiting Phone Screening Survey, Demographic Questionnaire, Montreal Cognitive Assessment (MoCA), Modified Hoehn and Yahr scale, Movement Disorders Society Unified Parkinson's Disease Survey (MSD-UPDPS), UPPS-P Impulsivity Scale, optec2500 Visual Screening, Snellen eye chart, Technology Readiness Survey, Automated Vehicle Survey, and Parkinson's Disease Questionnaire. 2. Driving Errors Data (Driver Rehabilitation Specialist) File: Driving errors recorded by the DRS during the experimental drive on suburban and highway roads. 3. Processed and Summary of IVIS-ADAS Activation Data File: Driving errors and performance data captured by the telemetry system during the experimental drive on suburban and highway roads, processed by a human researcher. 4. Data Dictionary File: Description of all variables in the three datasheet files.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».