Identifying Mature Driver Risk from Naturalistic Driving
Notice bibliographique
Résumé
BACKGROUND: Driving is essential for independence while relying on physical and cognitive abilities. Many mature drivers struggle with decisions to adjust or stop driving. Physicians in Ontario, Canada are required to report patients they believe are no longer safe to drive. Understanding driving risk is challenging, with limited tools to analyze individualized driving. This work uses a database of mature driver in-car data to investigate behaviors predictive of increased risk. The Candrive Risk Stratification tool (RST) predicts driving collision risk based on clinical measures. This project explores if naturalistic driving parameters correlate to the RST. This work provides knowledge to assist drivers in monitoring enabling proactive decisions about driving behaviour and driving retirement. METHOD: Candrive dataset analysis had ethics approval from the Bruyère Health and Carleton Research Ethics boards. This dataset includes up to seven years of in-car sensor and annual health assessments for 250 drivers >70 years of age in Ottawa. This work focuses on telematics, including speed-related measures, lateral/longitudinal acceleration, and jerk (change in acceleration), to determine if they are predictive of driving risk as indicated by RST scores. Key telematics scenarios are used for left and right turns, both known to challenge mature drivers. RESULT: Results are presented in Figures 1 (Left Turns) and 2 (Right Turns) in the form of Shapley plots that provide a visualization of a given measure's predictive ability to indicate driver risk. Maximum and minimum measures of velocity show a clear indication of risk, with drivers with lowest minimum speeds having higher risk while average velocity results are inconclusive as the red (high average velocity) and blue (low) are mixed with no distinction. Low values of maximum longitudinal acceleration and minimum lateral acceleration are also related to lower risk. CONCLUSION: The work demonstrates the potential for ongoing driving assessment to provide new insights for clinicians, drivers, and families related to risk derived from actual driving. Individualized knowledge about driving risk supports proactive measures, such as retraining, to mitigate declines or to prepare for driving retirement. Data from driving provides timely knowledge to the mature driver and offers significant advantages as compared to waiting for clinical assessments.
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 | 0,001 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».