Driving Skills Training for Older Adults: An Assessment of DriveSharp
Bibliographic record
Abstract
RÉSUMÉ Les procédures de formation cognitive informatique visent à augmenter la sécurité en améliorant les compétences relatives à la conduite, comme la vitesse-de-traitement et le Useful Field of View. L'étude actuelle a évalué l'efficacité du DriveSharp dans la formation des conducteurs âgés dans un cadre de classe réaliste. Les participants (n = 24) ont assisté à 10 heures de cours de DriveSharp pendant 5 semaines. Les séances pré- et post-test ont evalués améliorations sur un essai dynamique de la perception du risque, Trails A et Trails B. Un groupe de contrôle (n = 18) a terminé seulement les séances pré- et post-test. En classe, les temps de formation étaient plus bas que prévus. L'amélioration des participants aux jeux ont stabilisée après la première évaluation, et le groupe de DriveSharp n'a pas démontré une amélioration significative des performances sur les tests, par rapport au groupe de contrôle. Parmi plusieurs questions relatives à la facilité d'utilisation, les plus problématiques étaient le malentendudes objectifs de la tâche et la différence entre la formation et l'évaluation. Il y a plusieurs implications pour ceux qui utilisent DriveSharp pour améliorer la sécurité des conducteurs âgés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".