سلب‌المسئولیت: تمام مواد ارائه‌شده در این گزارش تجزیه‌وتحلیل داده‌های مختصر، مگر در مواردی که به‌صراحت غیر این مورد مشخص شده باشد، در حال توسعه توسط گروهی از محققان خارجی مستقل است. تجزیه‌وتحلیل ارائه‌شده در این گزارش تنها برای اطلاع‌رسانی است و نباید مورد استفاده یا در نظر گرفته شود به‌عنوان یک انتشار علمی بررسی‌شده توسط همتایان.

نام اصلی: تخمین احتمال درگیری در تصادف وسایل نقلیه موتوری به عنوان تابعی از داده‌های جمعیت‌شناختی و شناختی.

نویسندگان: جون آندونی دونیابیتیا ^{1, 2}، خوزه لویس تاپیا ¹.

• 1. مرکز علوم شناختی - C3 (مرکز علوم شناختی)، دانشگاه نبریخا (مادرید، اسپانیا).
• 2. مرکز AcqVA Aurora، دانشگاه قطب شمال نروژ (تروم‌سو، نروژ).

نتیجه‌گیری‌های اصلی:

رابطه‌ای قوی بین نمره شناختی "تخمین" CogniFit و انواع مختلف تصادفات ترافیکی وجود دارد، صرف‌نظر از جنسیت رانندگان (تمام ضرایب بزرگ‌تر از 0.75 هستند). سن، جنسیت و نمره تخمین رانندگان پیش‌بینی‌کننده‌های خوبی برای احتمال گروهی درگیری در تصادف مرگبار خودرو (با توجیه 98.3٪ واریانس، R = 0.966، R2 = 0.983)، درگیری در تصادف با مجروحین (با توجیه 96.2٪ واریانس، R = 0.981، R2 = 0.962)، و درگیری در تصادفات با خسارت مادی (با توجیه 95.8٪ واریانس، R = 0.979، R2 = 0.958) هستند.

اندازه‌گیری‌های CogniFit®

داده‌ها از دو کار شناختی مستقل اجرا شده جمع‌آوری شدند که مهارت‌های تخمین شرکت‌کنندگان را با استفاده از گوشی‌های هوشمند و همچنین رایانه‌های شخصی اندازه‌گیری می‌کردند. در مجموع 20,231 نفر از 123 کشور مختلف با سن بین 18 تا 78 سال این دو کار CogniFit® را تکمیل کردند (10,627 زن، 9,606 مرد).

یکی از وظایف توانایی شرکت‌کنندگان را برای تخمین مدت یک محرک صوتی پیوسته اندازه‌گیری کرد و از آنها می‌خواست یک محرک صوتی در حال انجام را قطع کنند تا مدت زمان دقیق یک محرک صوتی پیوسته قبلاً ارائه شده را بازتولید کنند. کار دیگر توانایی شرکت‌کنندگان را برای تخمین سرعت اجسام متحرک، فاصله طی شده و فاصله‌ای که باید طی شود، و چگونگی تأثیر تعامل سرعت و فاصله بر حرکت یک جسم اندازه‌گیری کرد. متغیرهای وابسته به دست آمده در این دو کار مربوط به درصد کلی دقت هر شرکت‌کننده است، که دقت بیشتر شرکت‌کننده با نمره درصد بالاتر نشان داده می‌شود. از این متغیرها، یک اندازه‌گیری CogniFit® ترکیبی از توانایی‌های تخمینی هر فرد محاسبه شد.

اندازه‌گیری‌های تصادفات وسایل نقلیه موتوری

داده‌ها از اداره کاهش مصدومیت و تلفات جاده‌های ملی (NHTSA) ایالات متحده از طریق ابزار گزارش مرگ و مصدومیت (FIRST) به دست آمدند. تمام داده‌های از سال 2014 تا 2018 مربوط به تعداد خالص افرادی که در سه نوع تصادفات وسایل نقلیه موتوری درگیر بودند، از سرویس عمومی جستجو و گزارش‌دهی داده جمع‌آوری شدند، فیلتر شده‌ بر اساس سن راننده (افرادی از 18 تا 78 سال انتخاب شدند)

اول، داده‌های مربوط به رانندگانی که در تصادفات مرتبط با مرگ انسان درگیر بودند، از سیستم تجزیه و تحلیل و گزارش‌دهی مرگ (FARS)، 2004-2017، و فایل گزارش سالانه (ARF)، 2018 جمع‌آوری شدند.

دوم، داده‌های راننده‌های درگیر در تصادفات خودرویی تنها باشامل آسیب از سیستم تخمین‌های عمومی سیستم نمونه‌گیری خودرویی ملی (NASS-GES)، 2004-2015، و سیستم نمونه‌گیری گزارش تصادف (CRSS)، 2016-2017 به‌دست آمد.

و سوم، داده‌های مربوط به راننده‌های درگیر در تصادفات خودرویی تنها باشامل خسارت مالی از همان منابع جمع‌آوری شد.

فرض‌های آغازین

سن یک عامل انتقادی است هم برای فراوانی تصادفات هر نوع و هم برای شدت آن (با راننده‌های مسن‌تر در تصادفات کمتری درگیر می‌شوند). علاوه بر این، سن همچنین یک تعدیل‌کننده معنادار توانایی‌های تخمین است (نتایج کامپوزیت CogniFit® امتیازات کمتری برای افراد مسن‌تر نشان می‌دهد).

با در نظر گرفتن این دو فرض، تحلیل همبستگی باید یک رابطه مستقیم معنادار بین تعداد تصادفات و نتایج در وظایف تخمین CogniFit® نشان دهد، به دلیل اینکه سن می‌تواند این مشاهدات را هدایت کند. اما مهم‌تر از آن، اگر نمرات کامپوزیت CogniFit® نفع اضافی برای تخمین هر نوع تصادف خودرویی را نشان دهند، این باید در تحلیل رگرسیونی نشان داده شود پس از اینکه اثر سن در نظر گرفته شود.

با این حال، باید در نظر گرفته شود که دو منبع داده مربوط به نمونه‌های مختلف از جمعیت‌های مختلف هستند. معیارهای تصادفات خودرو از اداره ایمنی ترافیک بزرگراه ملی (NHTSA) ایالات متحده بدست آمد، بنابراین عمدتاً اگر انحصاری نبود شامل شهروندان آمریکایی است. در مقابل، معیارهای CogniFit® از نمونه متنوعی از منشأ‌های مختلف (123 کشور) بدست آمد. بنابراین، هنگام در نظر گرفتن نتایج تجزیه‌وتحلیل زیر احتیاط توصیه می‌شود با توجه به احتمال وجود خطای نوع I به عنوان نتیجه تأثیر پنهان همبستگی‌های جعلی.

با این حال، چندین نکته در این مورد باید بیان شود. اول، شایان توجه است که در نظر گرفته شود که نتایج یک آزمون شناختی معین با حجم نمونه گسترده و نماینده و ویژگی‌های روان‌سنجی کافی مانند CogniFit® (برای جزئیات در مورد روایی و پایایی ابزارهای ارزیابی این پیوند را ببینید) می‌توانند به‌عنوان داده‌های هنجاری در نظر گرفته شوند و در نتیجه می‌توانند به نمونه‌های مشابه دیگر از طریق تعمیم اعمال شوند. و دوم، و مشروط بر این که فرض داشتن حجم نمونه‌های به‌اندازه کافی بزرگ که بتواند اجازه تعمیم‌پذیری و انتقال‌پذیری را بدهد، باید در نظر گرفته شود که استفاده از برآورد پارامتر حاصل از هر یک از یک مجموعه‌ داده‌های هنجاری یا تجزیه‌وتحلیل برای حساب کردن واریانس از یک نمونه متفاوت یک وسیله‌ی فزاینده‌ای محبوب برای درون‌یابی است (برای مثال، این مقاله را ببینید). این به‌خصوص در زمینه تجزیه‌وتحلیل فعلی مرتبط است، با توجه به اینکه به‌دست آوردن داده‌های ملی در مورد تصادفات خودرو از گروهی که بلافاصله قبل از درگیری در تصادفات با باتری شناختی ارزیابی شده‌اند عملاً غیرممکن است. در هر صورت، و در تلاش برای جهت‌دهی تجزیه‌وتحلیل به سمت نمونه‌های با پیشینه مشابه، روش موازی انجام شد که فقط داده‌های افرادی را در نظر می‌گرفت که ارزیابی CogniFit® را تکمیل کرده بودند و اشاره کرده بودند که شهروند ایالات متحده بودند. این زیرمجموعه شامل 1290 زن و 762 مرد بود. مهم این است که هنگامی که همان تجزیه‌وتحلیل همبستگی ارائه‌شده بلافاصله در زیر در این نمونه آمریکایی اجرا شد، اثرات موازی به‌دست آمد، نتایج اصلی را تقویت کرد (با r>.55 و rho>.40 برای تجزیه‌وتحلیل داده‌های مردان، و r>.57 و rho>.42 برای داده‌های زنان؛ تمام ps<.001).

تحلیل همبستگی

داده‌های میانگین CogniFit® و NHTSA برای مردان و زنان با سن بین 18 و 78 سال به‌صورت آماری با پیروی از رویکردی همبستگی‌مبنا بر اساس ضریب رتبه‌بندی اسپیرمن برای توابع یکنواخت و ضریب همبستگی پیرسون برای روابط خطی بین متغیرها تجزیه و تحلیل شد.

میانگین درصدهای دقت برای مردان و زنان در دو وظیفه CogniFit® با داده‌های خام از راننده‌های مرد و زن درگیر در 1) تصادفات مرگبار، 2) تصادفات تنها باشامل آسیب، و 3) تصادفات تنها باشامل خسارت مالی همبستگی داشت.

نتایج همبستگی‌های مثبت قوی بین اقدامات کامپوزیت CogniFit® و تعداد سه نوع تصادف در سراسر سن‌ها را نشان داد، با ضرایب همبستگی بیش از 0.80 در تمام موارد. نمودارهای زیر این روابط بین متغیرها را همراه با ضرایب همبستگی متناظر نشان می‌دهند. هر نقطه مقدار را در هر نقطه سنی خاص نشان می‌دهد، و خط آبی مربوط به خط LOESS برازش‌شده است (Plot Panel 1 را ببینید).

علاوه بر این، یک روش مشابه با تقسیم داده‌ها بر اساس جنسیت راننده‌ها (مرد یا زن) دنبال شد. ضرایب همبستگی برای هر دو گروه جنسیتی بسیار مشابه بودند، که استحکام رابطه ذاتی بین اقدام کامپوزیت CogniFit® و انواع تصادفات را نشان می‌دهد، صرف‌نظر از جنسیت راننده‌ها (با تمام ضرایب بیش از 0.75). نمودارهای متناظر این رابطه را نمایش می‌دهند و هر گروه جنسیتی در رنگ متفاوتی نشان داده‌شده است (Plot Panel 1 را ببینید).

تحلیل رگرسیونی

تحلیل رگرسیونی خطی با استفاده از داده‌های انواع مختلف تصادفات تبدیل‌شده به درصد تصادفات در هر نوع و جنسیت از کل به‌عنوان معیارهای وابسته، و سن راننده‌ها، جنسیت آن‌ها، و نمره کامپوزیت CogniFit® آن‌ها به‌عنوان عوامل پیش‌بینی‌کننده، با تعامل بین دو عامل آخر که به مدل‌ها اضافه شده است، انجام شد.

نتایج مربوط به تصادفات مرگبار برازش بسیار خوب مدل، با تشریح 98.3% واریانس را نشان داد به‌عنوان تابعی از برآوردهای پارامتر (R=0.966, R2=0.983). ضرایب مدل برای عوامل مختلف قدرت پیش‌بینی‌کننده معنادار سن و جنسیت را نشان داد، و نشان می‌دهد که راننده‌های مسن‌تر در تصادفات مرگباری کمتری درگیر بودند نسبت به راننده‌های جوان‌تر و آن زنان تصادفات مرگباری کمتری داشتند نسبت به مردان. نمره کامپوزیت CogniFit® نیز اثر معنادار نشان داد، که نشان‌دهنده رابطه مستقیم بین توانایی‌های تخمین یک فرد و تعداد تصادفات مرگبار است. به‌طور معنادار، این مشاهده نهایی با تعامل معنادار بین نمره کامپوزیت CogniFit® و جنسیت مشروط شد. همان‌طور که در نمودارها نشان داده‌شده است (Plot Panel 2 را ببینید)، تأثیر نمرات کامپوزیت CogniFit® برای هر جنسیت متفاوت بود: برای مردان، نمرات بالاتر در کامپوزیت CogniFit® با خطر بالاتری برای درگیری در تصادفات مرگبار همراه بود، در حالی که برای زنان، نمرات کامپوزیت CogniFit® بالاتر با درصدهای کمتری از تصادفات مرگبار همراه بود.

یافته‌های موازی برای تجزیه‌وتحلیل داده‌های مربوط به تصادفات خودروی تنها با آسیب فیزیکی مشاهده شد. همان مدل 96.2% از واریانس را توضیح داد (R=0.981، R2=0.962)، و اثر سن معنادار بود، همان‌طور که برای اثر نمره کامپوزیت CogniFit® نیز مورد بود. جنسیت و نمره کامپوزیت CogniFit® یک تعامل معنادار نشان دادند: درحالی‌که مردان الگوی مستقیم مورد انتظار بین نمره کامپوزیت CogniFit® و تعداد تصادفات تنها با آسیب فیزیکی را دنبال کردند، زنان رابطه معکوس نشان دادند: برای زنان، نمرات کامپوزیت CogniFit® بالاتر با تعداد تصادفات کمتر همراه بودند.

در نهایت، تجزیه‌وتحلیلی از داده‌های مربوط به تصادفات خودروی تنها با خسارت مالی انجام شد. همان مدل 95.8% از واریانس را توضیح داد (R=0.979، R2=0.958)، و اثرات سن، جنسیت و نمره کامپوزیت CogniFit® معنادار بودند. جنسیت و نمره کامپوزیت CogniFit® یک تعامل معنادار نشان دادند، باری دیگر رابطه معکوسی را بین نمرات کامپوزیت CogniFit® و تعداد تصادفات خودروی تنها با آسیب فیزیکی تنها برای راننده‌های زن نشان دادند.

جدول زیر قدرت توضیحی مدل آماری را خلاصه می‌کند که نمرات کامپوزیت CogniFit® را اضافه می‌کند در مقابل یک مدل ساده‌تر که فقط شامل سن راننده‌ها و جنسیت آن‌ها است. همان‌طور که واضح است، در تمام موارد مدل‌های حاصل به‌طور معنادار بهتر هستند (همان‌طور که توسط مقایسه‌های مدل آماری مربوطه تأیید می‌شود).