CogniFit - 根據社會人口統計和認知數據對捲入機動車事故的機率進行估計。

免責聲明：除非另有明確說明，否則這個簡要資料分析報告中提供的所有資料均由一組外部獨立研究人員開發。 本報告中提供的分析僅供參考，不得用作或視為同行評審的科學出版物發表。

原名: Probability estimation of being involved in a motor vehicle crash as a function of sociodemographic and cognitive data.

作者: Jon Andoni Duñabeitia 1, 2, José Luis Tapia 1.

• 1. Centro de Ciencia Cognitiva - C3 (Center for Cognitive Sciences), Universidad Nebrija (Madrid, Spain).
• 2. AcqVA Aurora Center, The Artic University of Norway (Tromsø, Norway).

主要結論：

CogniFit 的「估計能力」認知分數與各種類型的交通事故之間存在密切關係，與駕駛者的性別無關（所有係數都大於 0.75）。 年齡、性別和駕駛員的估計分數是發生致命車禍的群體機率的良好預測因素（佔方差的 98.3%，R = 0.966，R2 = 0.983），以及發生以下事故的機率：傷害（解釋了96.2% 的方差，R = 0.981，R2 = 0.962），以及涉及物質損失的事故（解釋了95.8% 的方差，R = 0.979，R2 = 0.958）。

CogniFit® 措施

數據是從兩項獨立進行的認知任務中收集的，這些任務測量參與者使用智能手機和個人電腦的估計技能。 共有來自 123 個不同國家、年齡在十八至七十八歲之間的 20,231 人完成了這兩項 CogniFit® 任務（10,627 名女性，9,606 名男性）。

其中一項任務測量了參與者估計連續聽覺刺激持續時間的能力，方法是要求他們中斷正在進行的聽覺刺激，然後重現先前呈現的連續聽覺刺激的確切時間長度。 另一個任務測量參與者估計移動物體的速度的能力、經過和要經過的距離，以及速度和距離的相互作用如何影響物體的運動。 在這兩項任務中獲得的依變項對應於每位參與者的整體準確率百分比，較高的百分比分數表示較高的參與者準確度。 根據這些變量，計算出每個人的估計能力的複合 CogniFit® 測量值。

機車碰撞事故處理措施

通過死傷通報系統(FIRST)和從美國國家公路交通安全管理局 (NHTSA) 取得數據。 2014年至2018年三類機動車事故淨參與人數對應的所有數據均通過公共數據查詢和報告服務收集，並按駕駛員年齡（以下人員）進行篩選： 十八歲至七十八歲

首先，從 2004-2017 年死亡分析報告系統 (FARS) 和年度報告文件中收集了涉及涉及人員死亡的車禍的駕駛員的相應數據。 （ARF），2018 。

其次，涉及僅限傷害的機動車事故的駕駛員數據來自國家汽車採樣系統綜合評估系統(NASS-GES)，2004-2015，以及報告採樣系統(CRSS)，2016-2017。

第三，從相同來源收集與僅造成財產損失的機動車事故中涉及的駕駛員相對應的數據。

開始假設

年齡是影響每種類型碰撞事故發生頻率和嚴重程度的關鍵因素（年齡較大的駕駛人發生的碰撞事故較少）。 此外，年齡也是估計能力的重要調節因素（CogniFit® 綜合結果顯示老年人的得分較低）。

考慮到這兩個假設，相關分析應該顯示事故數量與 CogniFit® 估計任務的結果之間存在顯著的直接關係，因為年齡可能會驅動這些觀察結果。 如果 CogniFit® 綜合分數代表了對任何類型機動車輛事故的估計能力，那麼一旦考慮了年齡的影響，在回歸分析中就會顯示出來。

這兩個資料來源對應不同人群的不同樣本。 機動車撞車措施是從美國國家公路交通安全管理局（NHTSA）獲得的，因此主要是美國公民。 相較之下，CogniFit®衡量指標來自不同來源（123個國家）的多種樣本。 因此，在考慮以下分析的結果時，建議您謹慎，因為與假性相關的潛在影響可能會導致I型錯誤分析。

首先，值得考慮的是，給定認知測試的結果具有足夠且具有代表性的樣本量和足夠的心理測量屬性，例如CogniFit®（請參閱此鏈接了解有關評估工具有效性和可靠性的詳細資訊，可以作為規範數據，應用於其他類似的數據則透過泛化的方式進行樣本。 其次，在具有足夠大的樣本量以實現普遍性和可轉移性的前提下，應該考慮到，使用規範資料集或分析得出的參數估計來解釋不同樣本的變異數已成為越來越流行的做法。流行的推斷方法（例如，請參閱文章）。 在目前分析的背景下尤其重要，考慮到在發生事故之前立即使用認知評估進行評估的群體的機動車碰撞事故的全國數據幾乎是不可能的。 為了將分析定位於具有相似背景的樣本，我們採用了一種平行方法，僅考慮已完成 CogniFit® 評估，且表明其為美國公民的個人的數據。 該次評估選拔包括 1290 名女性和 762 名男性。 重要的是，當對這個美國樣本進行下面介紹的相同相關性分析時，獲得了平行效應，強化了主要結論（對於男性數據的分析，Pearson 的r>.55 和Spearman 的rho>.40，而Pearson 的r> .57 和 Spearman 的 rho>.42（女性資料）；所有 ps<.001)。

相關顯示

根據Spearman的單調函數秩係數和Pearson的變數間線性關係相關係數的相關方法，對年齡在十八至七十八歲之間的男性和女性的CogniFit®和NHTSA平均數據進行了統計分析。

兩項CogniFit®任務中男性和女性的平均準確率百分比與涉及 1）致命碰撞，2）僅傷害性碰撞和 3）僅財產損壞的碰撞的男性和女性駕駛員的原始數據相關 。

結果表明，複合CogniFit®措施與不同年齡段三種類型的撞車次數之間具有很強的正相關性，所有情況下的相關係數均高於0.80 strong>。 下圖顯示了變數之間的這些關係以及相應的相關係數。 每個點代表每個特定年齡點的值，藍色線對應於擬合的LOESS線（請參閱圖面板1）。

此外，遵循類似的步驟，根據駕駛員的性別（男性或女性）分配資料。 兩個性別組的相關係數都非常相似，證明了CogniFit®綜合量度和碰撞類型之間內在關係的穩健性，且與駕駛員的性別無關（所有係數高於 0.75 ）。 相應的圖顯示了這種關係，每個性別組以不同的顏色表示（請參閱“圖面板1”）。

迴歸分析

進行線性迴歸分析，將不同類型的事故資料轉換為總量中的每種類型和性別的事故百分比作為依存度量，並將駕駛員年齡， 他們的性別，以及他們的CogniFit®綜合評分作為預測因子，最後兩個因素之間的交互作用也加入了模型中。

對應於致命撞擊的結果顯示模型的擬合優度很高，解釋了98.3％的變異數作為參數估計的函數 R = 0.966，R2 = 0.983）。 不同因素的模型係數顯示了年齡和性別的顯著預測力，表明與年輕駕駛員相比，老年駕駛員參與的致命事故更少 而且女性致命事故的發生率比男性少。 CogniFit®綜合評分也顯示出顯著效果，顯示一個人的估算技能與致命碰撞次數之間存在直接關係。 重要的是，此最終觀察結果透過CogniFit®綜合評分與性別之間的顯著交互作用而得到驗證。 如圖所示（請參閱圖表2），CogniFit®綜合評分對每個性別的影響都不同：對於男性，CogniFit®綜合評分較高會增加致命危險的風險。 撞車事故，而對於女性而言，更高的CogniFit®綜合評分與則更低的致命撞車事故百分比相關。

觀察到的平行結果用於分析與僅傷害性機動車碰撞相對應的數據。 相同的模型解釋了96.2％的變異數（R = 0.981，R2 = 0.962），並且年齡的影響顯著， CogniFit®綜合評分的效果 strong>。 性別與CogniFit®綜合分數顯示出顯著的交互作用：儘管男性遵循CogniFit®綜合分數與純傷害事故次數之間的預期直接模式，但女性是一個 相反的關係：對於女性，較高的CogniFit®綜合評分與較少的碰撞有關。

最後，對與僅財產損失的機動車碰撞相對應的數據進行了分析。 同一模型解釋了95.8％的變異數（R = 0.979，R2 = 0.958），並且年齡，性別和CogniFit®綜合評分的影響顯著。 性別和CogniFit®綜合評分顯示出顯著的交互作用，再次顯示了CogniFit®綜合評分與僅針對女性駕駛員的純撞車事故數量呈反比關係。

下表總結了統計模型的解釋，其中添加了CogniFit®綜合評分與簡單的模型（僅包含駕駛員的年齡及其性別）相比。 顯而易見，在所有情況下產生的模型都明顯更好（由相應的統計模型對比證明）。