দাবিত্যাগ : এই সংক্ষিপ্ত তথ্য বিশ্লেষণ প্রতিবেদনে উপস্থাপিত সমস্ত উপাদান, যদি না নির্দিষ্টভাবে অন্যথায় নির্দেশিত হয়, বহিরাগত স্বাধীন গবেষকদের একটি দল দ্বারা বর্তমানে বিকাশাধীন। এই প্রতিবেদনে উপস্থাপিত বিশ্লেষণ শুধুমাত্র তথ্যের উদ্দেশ্যে প্রদান করা হয়েছে এবং এটিকে পিয়ার-পর্যালোচিত বৈজ্ঞানিক প্রকাশনা হিসাবে ব্যবহার বা বিবেচনা করা যাবে না।
সমাজতাত্ত্বিক এবং জ্ঞানীয় তথ্যের উপর ভিত্তি করে মোটরযান দুর্ঘটনায় জড়িত থাকার সম্ভাব্যতা অনুমান।
চালকদের বয়স, লিঙ্গ এবং কগনিফিট অনুমান স্কোর গাড়ি দুর্ঘটনার ঝুঁকির গ্রুপের শক্তিশালী ভবিষ্যদ্বাণীকারী হিসেবে কাজ করে।
এই পৃষ্ঠাটি শুধুমাত্র তথ্যের জন্য। আমরা এমন কোনও পণ্য বিক্রি করি না যা রোগের চিকিৎসা করে। কগনিফিটের রোগের চিকিৎসার পণ্যগুলি বর্তমানে বৈধতা প্রক্রিয়াধীন। আপনি যদি আগ্রহী হন তবে দয়া করে কগনিফিট রিসার্চ প্ল্যাটফর্ম দেখুন।
গবেষকদের প্ল্যাটফর্মের মাধ্যমে বৈজ্ঞানিক গবেষণায় অংশগ্রহণকারীদের আরামে পরিচালনা করুন
গবেষণা অংশগ্রহণকারীদের ২৩ জন পর্যন্ত জ্ঞানীয় ক্ষমতা প্রশিক্ষণ এবং ট্র্যাক করুন।
গবেষণা তথ্যের জন্য অংশগ্রহণকারীদের জ্ঞানীয় বিবর্তন অন্বেষণ করুন
মূল নাম : সমাজতাত্ত্বিক এবং জ্ঞানীয় তথ্যের উপর ভিত্তি করে মোটরযান দুর্ঘটনায় জড়িত থাকার সম্ভাব্যতা অনুমান।
লেখক : জন অ্যান্ডোনি ডুনাবেটিয়া 1, 2 , জোসে লুইস তাপিয়া 1 ।
- 1. Centro de Ciencia Cognitiva - C3 (Conter for Cognitive Sciences), Universidad Nebrija (Madrid, Spain)।
- ২. অ্যাকভিএ অরোরা সেন্টার, নরওয়ের আর্টিক বিশ্ববিদ্যালয় (ট্রমসো, নরওয়ে)।
প্রধান সিদ্ধান্ত:
CogniFit-এর "Estimation" জ্ঞানীয় স্কোর এবং চালকদের লিঙ্গ নির্বিশেষে বিভিন্ন ধরণের ট্র্যাফিক দুর্ঘটনার মধ্যে একটি শক্তিশালী সম্পর্ক রয়েছে (সমস্ত সহগ 0.75-এর বেশি)। বয়স, লিঙ্গ এবং চালকদের অনুমান স্কোর হল মারাত্মক গাড়ি দুর্ঘটনায় জড়িত হওয়ার গ্রুপের সম্ভাব্যতার (98.3% ভ্যারিয়েন্স, R = 0.966, R2 = 0.983), আঘাতের সাথে দুর্ঘটনায় জড়িত থাকার (96.2% ভ্যারিয়েন্স, R = 0.981, R2 = 0.962) এবং বস্তুগত ক্ষতি সহ দুর্ঘটনায় জড়িত থাকার (95.8% ভ্যারিয়েন্স, R = 0.979, R2 = 0.958) ভালো ভবিষ্যদ্বাণীকারী।
CogniFit® পরিমাপ
স্মার্টফোন এবং ব্যক্তিগত কম্পিউটার ব্যবহার করে অংশগ্রহণকারীদের অনুমান দক্ষতা পরিমাপের জন্য স্বাধীনভাবে পরিচালিত দুটি জ্ঞানীয় কাজ থেকে তথ্য সংগ্রহ করা হয়েছিল । ১২৩টি বিভিন্ন দেশের ১৮ থেকে ৭৮ বছর বয়সী মোট ২০,২৩১ জন ব্যক্তি এই দুটি CogniFit® কাজ সম্পন্ন করেছেন (১০,৬২৭ জন মহিলা, ৯,৬০৬ জন পুরুষ)।
একটি কাজ অংশগ্রহণকারীদের একটি ধারাবাহিক শ্রবণ উদ্দীপকের সময়কাল অনুমান করার ক্ষমতা পরিমাপ করে, যাতে তারা একটি চলমান শ্রবণ উদ্দীপককে বাধা দিতে বলে যাতে পূর্বে উপস্থাপিত ধারাবাহিক শ্রবণ উদ্দীপকের সঠিক সময়কাল পুনরুত্পাদন করা যায়। অন্য কাজটি অংশগ্রহণকারীদের চলমান বস্তুর গতি, কভার করা এবং কভার করা দূরত্ব এবং গতি এবং দূরত্বের মিথস্ক্রিয়া কীভাবে একটি বস্তুর গতিবিধিকে প্রভাবিত করে তা অনুমান করার ক্ষমতা পরিমাপ করে। এই দুটি কাজে প্রাপ্ত নির্ভরশীল চলকগুলি প্রতিটি অংশগ্রহণকারীর নির্ভুলতার সামগ্রিক শতাংশের সাথে সামঞ্জস্যপূর্ণ, যেখানে অংশগ্রহণকারীদের নির্ভুলতা উচ্চ শতাংশ স্কোর দ্বারা নির্দেশিত হয়। এই চলকগুলি থেকে, প্রতিটি ব্যক্তির অনুমান ক্ষমতার একটি যৌগিক CogniFit® পরিমাপ গণনা করা হয়েছিল।
মোটরযান দুর্ঘটনার ব্যবস্থা
মার্কিন যুক্তরাষ্ট্রের ন্যাশনাল হাইওয়ে ট্র্যাফিক সেফটি অ্যাডমিনিস্ট্রেশন (NHTSA) থেকে ফ্যাটালিটি অ্যান্ড ইনজুরি রিপোর্টিং সিস্টেম টুল (FIRST) এর মাধ্যমে তথ্য সংগ্রহ করা হয়েছে। ২০১৪ থেকে ২০১৮ সাল পর্যন্ত তিন ধরণের মোটরযান দুর্ঘটনায় জড়িত ব্যক্তির মোট সংখ্যার সাথে সম্পর্কিত সমস্ত তথ্য পাবলিক ডেটা কোয়েরি এবং রিপোর্টিং পরিষেবা থেকে সংগ্রহ করা হয়েছিল, চালকের বয়স অনুসারে ফিল্টার করা হয়েছিল ( ১৮ থেকে ৭৮ বছর বয়সী ব্যক্তিদের নির্বাচন করা হয়েছিল)।
প্রথমত, ২০০৪-২০১৭ সালের ফ্যাটালিটি অ্যানালাইসিস রিপোর্টিং সিস্টেম (FARS) এবং ২০১৮ সালের বার্ষিক প্রতিবেদন ফাইল (ARF) থেকে মানব মৃত্যুর সাথে জড়িত দুর্ঘটনায় জড়িত চালকদের তথ্য সংগ্রহ করা হয়েছিল।
দ্বিতীয়ত, শুধুমাত্র আঘাতজনিত মোটরযান দুর্ঘটনায় জড়িত চালকদের তথ্য ন্যাশনাল অটোমোটিভ স্যাম্পলিং সিস্টেম জেনারেল এস্টিমেটস সিস্টেম (NASS-GES), ২০০৪-২০১৫ এবং ক্র্যাশ রিপোর্ট স্যাম্পলিং সিস্টেম (CRSS), ২০১৬-২০১৭ থেকে সংগ্রহ করা হয়েছে।
এবং তৃতীয়ত, সম্পত্তির ক্ষতি-শুধুমাত্র মোটরযান দুর্ঘটনায় জড়িত চালকদের তথ্য একই উৎস থেকে সংগ্রহ করা হয়েছিল।
প্রাথমিক অনুমান
প্রতিটি ধরণের দুর্ঘটনার ফ্রিকোয়েন্সি এবং তীব্রতা উভয়ের জন্যই বয়স একটি গুরুত্বপূর্ণ বিষয় (বয়স্ক চালকরা কম দুর্ঘটনায় জড়িত)। এছাড়াও, বয়সও অনুমান ক্ষমতার একটি গুরুত্বপূর্ণ নিয়ামক (কগনিফিট® কম্পোজিট-এর ফলাফল বয়স্ক ব্যক্তিদের জন্য কম স্কোর প্রদর্শন করে)।
এই দুটি অনুমান মাথায় রেখে, পারস্পরিক সম্পর্ক বিশ্লেষণে দুর্ঘটনার সংখ্যা এবং CogniFit® অনুমান কার্যের ফলাফলের মধ্যে একটি উল্লেখযোগ্য প্রত্যক্ষ সম্পর্ক দেখানো উচিত , কারণ বয়স এই পর্যবেক্ষণগুলিকে চালিত করতে পারে। কিন্তু আরও গুরুত্বপূর্ণ বিষয় হল, যদি CogniFit® যৌগিক স্কোরগুলি যেকোনো ধরণের মোটরযান দুর্ঘটনার অনুমানের জন্য একটি অতিরিক্ত সুবিধা উপস্থাপন করে, তাহলে বয়সের প্রভাব গণনা করার পরে এটি একটি রিগ্রেশন বিশ্লেষণে দেখানো উচিত ।
তবুও, এটা মনে রাখা উচিত যে দুটি তথ্য উৎস বিভিন্ন জনগোষ্ঠীর বিভিন্ন নমুনার সাথে মিলে যায়। মোটরযান দুর্ঘটনার পরিমাপ মার্কিন যুক্তরাষ্ট্রের জাতীয় মহাসড়ক ট্র্যাফিক সুরক্ষা প্রশাসন (NHTSA) থেকে প্রাপ্ত করা হয়েছিল, তাই মূলত যদি একচেটিয়াভাবে আমেরিকান নাগরিকদের জড়িত নাও করা হয়। বিপরীতে, CogniFit® পরিমাপ বিভিন্ন উৎসের (১২৩টি দেশ) বিভিন্ন নমুনা থেকে প্রাপ্ত করা হয়েছিল। অতএব, জাল সম্পর্কের গোপন প্রভাবের ফলে টাইপ I ত্রুটির সম্ভাব্য অস্তিত্বের কারণে নিম্নলিখিত বিশ্লেষণের ফলাফল বিবেচনা করার সময় সতর্কতা অবলম্বন করা উচিত।
তবে, এই বিষয়ে বেশ কিছু নোট নেওয়া উচিত। প্রথমত, এটি বিবেচনা করা উচিত যে একটি প্রদত্ত জ্ঞানীয় পরীক্ষার ফলাফল যার একটি প্রশস্ত এবং প্রতিনিধিত্বমূলক নমুনা আকার এবং পর্যাপ্ত সাইকোমেট্রিক বৈশিষ্ট্য রয়েছে যেমন CogniFit® (মূল্যায়ন সরঞ্জামের বৈধতা এবং নির্ভরযোগ্যতা সম্পর্কে বিস্তারিত জানার জন্য এই লিঙ্কটি দেখুন) আদর্শিক তথ্য হিসাবে নেওয়া যেতে পারে এবং ফলস্বরূপ সাধারণীকরণের মাধ্যমে অন্যান্য অনুরূপ নমুনাগুলিতে প্রয়োগ করা যেতে পারে। এবং দ্বিতীয়ত, এবং যথেষ্ট বড় নমুনা আকার থাকার ভিত্তিতে যা সাধারণীকরণ এবং স্থানান্তরযোগ্যতার অনুমতি দিতে পারে, এটি বিবেচনা করা উচিত যে একটি আদর্শিক ডেটাসেট বা বিশ্লেষণ থেকে প্রাপ্ত প্যারামিটার অনুমান ব্যবহার করে ভিন্ন নমুনা থেকে বৈচিত্র্যের জন্য হিসাব করা এক্সট্রাপোলেশনের একটি ক্রমবর্ধমান জনপ্রিয় উপায় (উদাহরণস্বরূপ, এই নিবন্ধটি দেখুন)। বর্তমান বিশ্লেষণের প্রেক্ষাপটে এটি বিশেষভাবে প্রাসঙ্গিক, কারণ দুর্ঘটনায় জড়িত হওয়ার ঠিক আগে জ্ঞানীয় ব্যাটারি দিয়ে মূল্যায়ন করা একটি দলটির মোটর গাড়ি দুর্ঘটনার জাতীয় তথ্য পাওয়া কার্যত অসম্ভব। যাই হোক না কেন, এবং বিশ্লেষণকে একই পটভূমির নমুনার দিকে পরিচালিত করার প্রয়াসে, CogniFit® মূল্যায়ন সম্পন্নকারী এবং যারা মার্কিন নাগরিক বলে ইঙ্গিত দিয়েছিলেন তাদের তথ্য বিবেচনা করে একটি সমান্তরাল পদ্ধতি ব্যবহার করা হয়েছিল। এই উপ-নির্বাচনে 1290 জন মহিলা এবং 762 জন পুরুষ অন্তর্ভুক্ত ছিল। গুরুত্বপূর্ণভাবে, যখন নীচে উপস্থাপিত একই পারস্পরিক সম্পর্ক বিশ্লেষণ এই আমেরিকান নমুনার উপর চালানো হয়েছিল, তখন সমান্তরাল প্রভাবগুলি পাওয়া গিয়েছিল, যা মূল সিদ্ধান্তগুলিকে আরও শক্তিশালী করেছিল (পুরুষ তথ্য বিশ্লেষণের জন্য পিয়ারসনের r>.55 এবং স্পিয়ারম্যানের rho>.40 এবং মহিলা তথ্যের জন্য পিয়ারসনের r>.57 এবং স্পিয়ারম্যানের rho>.42 সহ; সমস্ত ps<.001)।
পারস্পরিক সম্পর্ক বিশ্লেষণ
১৮ থেকে ৭৮ বছর বয়সী পুরুষ এবং মহিলাদের জন্য গড় CogniFit® এবং NHTSA ডেটা পরিসংখ্যানগতভাবে বিশ্লেষণ করা হয়েছিল একটি পারস্পরিক সম্পর্ক পদ্ধতি অনুসরণ করে যা মনোটোনিক ফাংশনের জন্য স্পিয়ারম্যানের র্যাঙ্ক সহগ এবং চলকগুলির মধ্যে রৈখিক সম্পর্কের জন্য পিয়ারসনের পারস্পরিক সম্পর্ক সহগের উপর ভিত্তি করে তৈরি করা হয়েছিল।
দুটি CogniFit® কাজে পুরুষ এবং মহিলা উভয়ের জন্য নির্ভুলতার গড় শতাংশ ১) মারাত্মক দুর্ঘটনা, ২) শুধুমাত্র আঘাতজনিত দুর্ঘটনা এবং ৩) শুধুমাত্র সম্পত্তির ক্ষতিজনিত দুর্ঘটনায় জড়িত পুরুষ এবং মহিলা চালকদের কাঁচা তথ্যের সাথে সম্পর্কিত ছিল।
ফলাফলগুলি যুগ্মভাবে CogniFit® পরিমাপ এবং তিন ধরণের ক্র্যাশের সংখ্যার মধ্যে শক্তিশালী ইতিবাচক পারস্পরিক সম্পর্ক দেখিয়েছে, সমস্ত ক্ষেত্রেই পারস্পরিক সম্পর্ক সহগ 0.80 এর বেশি । নিম্নলিখিত গ্রাফগুলি ভেরিয়েবলের মধ্যে এই সম্পর্কগুলিকে সংশ্লিষ্ট পারস্পরিক সম্পর্ক সহগের সাথে উপস্থাপন করে। প্রতিটি বিন্দু প্রতিটি নির্দিষ্ট বয়স বিন্দুতে মানকে প্রতিনিধিত্ব করে এবং নীল রেখাটি লাগানো LOESS রেখার সাথে মিলে যায় (প্লট প্যানেল 1 দেখুন)।
এছাড়াও, ড্রাইভারদের লিঙ্গ (পুরুষ বা মহিলা) অনুসারে ডেটা ভাগ করে একই ধরণের পদ্ধতি অনুসরণ করা হয়েছিল। উভয় লিঙ্গ গোষ্ঠীর জন্যই সহগ সহগ অত্যন্ত একই রকম ছিল, যা CogniFit® কম্পোজিট পরিমাপ এবং ক্র্যাশের ধরণের মধ্যে অভ্যন্তরীণ সম্পর্কের দৃঢ়তা প্রদর্শন করে , ড্রাইভারদের লিঙ্গ নির্বিশেষে ( 0.75 এর বেশি সমস্ত সহগ সহ )। সংশ্লিষ্ট গ্রাফগুলি প্রতিটি লিঙ্গ গোষ্ঠীর সাথে এই সম্পর্ককে ভিন্ন রঙে উপস্থাপন করে (প্লট প্যানেল 1 দেখুন)।
রিগ্রেশন বিশ্লেষণ
নির্ভরশীল পরিমাপ হিসেবে মোট থেকে প্রকার এবং লিঙ্গ অনুসারে ক্র্যাশের শতাংশে রূপান্তরিত বিভিন্ন ধরণের ক্র্যাশের ডেটা ব্যবহার করে একটি রৈখিক রিগ্রেশন বিশ্লেষণ করা হয়েছিল, এবং ড্রাইভারদের বয়স, তাদের লিঙ্গ এবং তাদের CogniFit® কম্পোজিট স্কোরকে ভবিষ্যদ্বাণীমূলক কারণ হিসেবে ব্যবহার করা হয়েছিল , শেষ দুটি কারণের মধ্যে মিথস্ক্রিয়াও মডেলগুলিতে যোগ করা হয়েছিল।
মারাত্মক দুর্ঘটনার সাথে সম্পর্কিত ফলাফলগুলি মডেলটির খুব উচ্চ মানের-ফিট দেখিয়েছে, যা প্যারামিটার অনুমানের ফাংশন হিসাবে 98.3% বৈচিত্র্য ব্যাখ্যা করে (R=0.966, R2=0.983)। বিভিন্ন কারণের জন্য মডেল সহগগুলি বয়স এবং লিঙ্গের উল্লেখযোগ্য ভবিষ্যদ্বাণীমূলক ক্ষমতা দেখিয়েছে, যা দেখায় যে বয়স্ক ড্রাইভাররা কম বয়সী ড্রাইভারদের তুলনায় কম মারাত্মক দুর্ঘটনায় জড়িত ছিলেন এবং মহিলাদের পুরুষদের তুলনায় কম মারাত্মক দুর্ঘটনা ঘটেছিল । CogniFit® কম্পোজিট স্কোরটিও একটি উল্লেখযোগ্য প্রভাব দেখিয়েছে , যা একজন ব্যক্তির অনুমান দক্ষতা এবং মারাত্মক দুর্ঘটনার সংখ্যার মধ্যে সরাসরি সম্পর্ক নির্দেশ করে। গুরুত্বপূর্ণভাবে, এই চূড়ান্ত পর্যবেক্ষণটি CogniFit® কম্পোজিট স্কোর এবং লিঙ্গের মধ্যে একটি উল্লেখযোগ্য মিথস্ক্রিয়া দ্বারা যোগ্যতা অর্জন করেছে। গ্রাফগুলিতে দেখানো হয়েছে (প্লট প্যানেল 2 দেখুন), প্রতিটি লিঙ্গের জন্য CogniFit® কম্পোজিট স্কোরের প্রভাব ভিন্ন ছিল: পুরুষদের জন্য, CogniFit® কম্পোজিট স্কোরের উচ্চতর স্কোর মারাত্মক দুর্ঘটনায় জড়িত হওয়ার উচ্চ ঝুঁকির সাথে যুক্ত ছিল, যেখানে মহিলাদের জন্য, উচ্চতর CogniFit® কম্পোজিট স্কোর মারাত্মক দুর্ঘটনার কম শতাংশের সাথে যুক্ত ছিল ।
শুধুমাত্র আঘাতপ্রাপ্ত মোটরযান দুর্ঘটনার সাথে সম্পর্কিত তথ্য বিশ্লেষণের জন্য সমান্তরাল অনুসন্ধান পর্যবেক্ষণ করা হয়েছিল। একই মডেলটি 96.2% বৈচিত্র্য ব্যাখ্যা করেছে (R=0.981, R2=0.962) , এবং বয়সের প্রভাব উল্লেখযোগ্য ছিল , যেমনটি CogniFit® কম্পোজিট স্কোরের প্রভাবের ক্ষেত্রেও ছিল। লিঙ্গ এবং CogniFit® কম্পোজিট স্কোর একটি উল্লেখযোগ্য মিথস্ক্রিয়া দেখিয়েছে: পুরুষরা CogniFit® কম্পোজিট স্কোর এবং শুধুমাত্র আঘাতপ্রাপ্ত দুর্ঘটনার সংখ্যার মধ্যে প্রত্যাশিত সরাসরি প্যাটার্ন অনুসরণ করলেও, মহিলারা একটি বিপরীত সম্পর্ক দেখিয়েছে: মহিলাদের ক্ষেত্রে, উচ্চতর CogniFit® কম্পোজিট স্কোর কম দুর্ঘটনার সাথে যুক্ত ছিল।
অবশেষে, সম্পত্তি-ক্ষতি-শুধুমাত্র মোটরযান দুর্ঘটনার সাথে সম্পর্কিত তথ্য বিশ্লেষণ করা হয়েছিল। একই মডেলটি 95.8% বৈচিত্র্য (R=0.979, R2=0.958) ব্যাখ্যা করেছে , এবং বয়স, লিঙ্গ এবং CogniFit® কম্পোজিট স্কোরের প্রভাব উল্লেখযোগ্য ছিল । লিঙ্গ এবং CogniFit® কম্পোজিট স্কোরের মধ্যে একটি উল্লেখযোগ্য মিথস্ক্রিয়া দেখা গেছে , যা আবারও CogniFit® কম্পোজিট স্কোর এবং শুধুমাত্র মহিলা চালকদের জন্য আঘাত-শুধুমাত্র মোটরযান দুর্ঘটনার সংখ্যার মধ্যে একটি বিপরীত সম্পর্ক দেখায়।
নিম্নলিখিত সারণীতে পরিসংখ্যানগত মডেলের ব্যাখ্যামূলক ক্ষমতার সারসংক্ষেপ দেওয়া হয়েছে, যেখানে CogniFit® কম্পোজিট স্কোর যোগ করা হয়েছে, যেখানে কেবল ড্রাইভারের বয়স এবং তাদের লিঙ্গ অন্তর্ভুক্ত একটি সহজ মডেল যুক্ত করা হয়েছে। যেমনটি স্পষ্ট, সমস্ত ক্ষেত্রেই ফলাফলপ্রাপ্ত মডেলগুলি উল্লেখযোগ্যভাবে উন্নত (যেমনটি সংশ্লিষ্ট পরিসংখ্যানগত মডেলের বৈপরীত্য দ্বারা প্রমাণিত)।
বাংলাদেশ