CogniFit - Estimasi probabilitas terlibat dalam kecelakaan kendaraan bermotor sebagai fungsi data sosiodemografi dan kognitif.

Penafian : Semua materi yang disajikan dalam laporan analisis data singkat ini, kecuali dinyatakan lain secara khusus, sedang dalam pengembangan oleh sekelompok peneliti independen eksternal. Analisis yang disajikan dalam laporan ini disediakan hanya untuk tujuan informasi dan tidak boleh digunakan atau dianggap sebagai publikasi ilmiah yang ditinjau sejawat.

Nama asli : Estimasi probabilitas terlibat dalam kecelakaan kendaraan bermotor sebagai fungsi data sosiodemografi dan kognitif.

Penulis : Jon Andoni Duñabeitia ^{1, 2} , José Luis Tapia ¹ .

• 1. Centro de Ciencia Cognitiva - C3 (Pusat Ilmu Kognitif), Universidad Nebrija (Madrid, Spanyol).
• 2. AcqVA Aurora Center, Universitas Arktik Norwegia (Tromsø, Norwegia).

Kesimpulan utama:

Terdapat hubungan yang kuat antara skor kognitif "Estimasi" CogniFit dan berbagai jenis kecelakaan lalu lintas, terlepas dari jenis kelamin pengemudi (semua koefisien lebih besar dari 0,75). Usia, jenis kelamin, dan skor Estimasi pengemudi merupakan prediktor yang baik dari probabilitas kelompok terlibat dalam kecelakaan mobil yang fatal (mencakup 98,3% varians, R = 0,966, R2 = 0,983), terlibat dalam kecelakaan dengan cedera (menjelaskan 96,2% varians, R = 0,981, R2 = 0,962), dan terlibat dalam kecelakaan dengan kerusakan material (menjelaskan 95,8% varians, R = 0,979, R2 = 0,958).

CogniFit® mengukur

Data dikumpulkan dari dua tugas kognitif yang dilakukan secara independen untuk mengukur keterampilan estimasi peserta menggunakan telepon pintar dan komputer pribadi. Sebanyak 20.231 orang dari 123 negara berbeda dan berusia antara 18 dan 78 tahun menyelesaikan dua tugas CogniFit® ini (10.627 perempuan, 9.606 laki-laki).

Salah satu tugas mengukur kemampuan peserta untuk memperkirakan durasi stimulus pendengaran berkelanjutan dengan meminta mereka untuk menyela stimulus pendengaran yang sedang berlangsung sehingga dapat mereproduksi durasi waktu yang tepat dari stimulus pendengaran berkelanjutan yang disajikan sebelumnya. Tugas lainnya mengukur kemampuan peserta untuk memperkirakan kecepatan objek yang bergerak , jarak yang ditempuh dan yang akan ditempuh, dan bagaimana interaksi kecepatan dan jarak memengaruhi pergerakan suatu objek. Variabel dependen yang diperoleh dalam kedua tugas ini sesuai dengan persentase keseluruhan akurasi setiap peserta, dengan presisi peserta yang lebih baik ditunjukkan dengan skor persentase yang lebih tinggi. Dari variabel-variabel ini, ukuran CogniFit® komposit dari kemampuan estimasi setiap orang dihitung.

Tindakan pencegahan kecelakaan kendaraan bermotor

Data diperoleh dari National Highway Traffic Safety Administration (NHTSA) Amerika Serikat melalui Fatality and Injury Reporting System Tool (FIRST) . Semua data dari tahun 2014 hingga 2018 yang berkaitan dengan jumlah bersih orang yang terlibat dalam tiga jenis kecelakaan kendaraan bermotor dikumpulkan dari layanan pelaporan dan kueri data publik, difilter menurut usia pengemudi (orang yang berusia 18 hingga 78 tahun dipilih)

Pertama, data dikumpulkan terkait pengemudi yang terlibat dalam kecelakaan yang mengakibatkan kematian manusia dari Sistem Pelaporan Analisis Fatalitas (FARS), 2004-2017 , dan Berkas Laporan Tahunan (ARF), 2018 .

Kedua, data dari pengemudi yang terlibat dalam kecelakaan kendaraan bermotor yang hanya mengakibatkan cedera diperoleh dari Sistem Perkiraan Umum Sistem Pengambilan Sampel Otomotif Nasional (NASS-GES), 2004-2015 , dan Sistem Pengambilan Sampel Laporan Kecelakaan (CRSS), 2016-2017 .

Dan ketiga, data yang berkaitan dengan pengemudi yang terlibat dalam kecelakaan kendaraan bermotor yang hanya menimbulkan kerusakan properti dikumpulkan dari sumber yang sama .

Asumsi awal

Usia merupakan faktor penting baik untuk frekuensi kecelakaan dari setiap jenis maupun tingkat keparahannya (pengemudi yang lebih tua lebih jarang terlibat dalam kecelakaan). Selain itu, usia juga merupakan faktor moderator yang signifikan terhadap kemampuan estimasi (hasil gabungan CogniFit® menunjukkan skor yang lebih rendah untuk orang yang lebih tua).

Dengan mempertimbangkan kedua asumsi ini, analisis korelasi seharusnya menunjukkan hubungan langsung yang signifikan antara jumlah kecelakaan dan hasil dalam tugas estimasi CogniFit® , mengingat usia dapat menjadi faktor pendorong pengamatan ini. Namun yang lebih penting, jika skor gabungan CogniFit® menunjukkan manfaat tambahan untuk estimasi jenis kecelakaan kendaraan bermotor apa pun, hal ini seharusnya ditunjukkan dalam analisis regresi setelah pengaruh usia diperhitungkan.

Meskipun demikian, perlu diingat bahwa kedua sumber data tersebut sesuai dengan sampel yang berbeda dari populasi yang berbeda. Pengukuran kecelakaan kendaraan bermotor diperoleh dari National Highway Traffic Safety Administration (NHTSA) Amerika Serikat, sehingga sebagian besar melibatkan warga negara Amerika. Sebaliknya, pengukuran CogniFit® diperoleh dari sampel yang beragam dari berbagai asal (123 negara). Oleh karena itu, kehati-hatian disarankan saat mempertimbangkan hasil analisis berikut mengingat potensi adanya kesalahan Tipe I sebagai akibat dari dampak tersembunyi dari korelasi palsu.

Akan tetapi, beberapa catatan perlu dibuat terkait hal ini. Pertama, perlu dipertimbangkan bahwa hasil uji kognitif tertentu dengan ukuran sampel yang cukup dan representatif serta sifat psikometrik yang memadai seperti CogniFit® (lihat tautan ini untuk perincian tentang validitas dan reliabilitas alat penilaian) dapat diambil sebagai data normatif dan akibatnya diterapkan pada sampel serupa lainnya melalui generalisasi. Kedua, dan bergantung pada premis memiliki ukuran sampel yang cukup besar yang dapat memungkinkan generalisasi dan transferabilitas, perlu dipertimbangkan bahwa menggunakan estimasi parameter yang dihasilkan dari kumpulan data normatif atau analisis untuk memperhitungkan varians dari sampel yang berbeda merupakan cara ekstrapolasi yang semakin populer (lihat, misalnya, artikel ini ). Hal ini khususnya relevan dalam konteks analisis saat ini, mengingat bahwa mendapatkan data nasional tentang kecelakaan kendaraan bermotor dari kelompok yang telah dinilai dengan baterai kognitif segera sebelum mereka terlibat dalam kecelakaan hampir mustahil. Bagaimanapun, dan dalam upaya untuk mengarahkan analisis ke sampel dengan latar belakang yang sama, pendekatan paralel dilakukan dengan hanya mempertimbangkan data individu yang telah menyelesaikan penilaian CogniFit® dan yang menunjukkan bahwa mereka adalah warga negara AS. Sub-seleksi ini mencakup 1.290 perempuan dan 762 laki-laki. Yang penting, ketika analisis korelasi yang sama yang disajikan di bawah ini dijalankan pada sampel Amerika ini, efek paralel diperoleh, yang memperkuat kesimpulan utama (dengan Pearson r>.55 dan Spearman rho>.40 untuk analisis data laki-laki, dan Pearson r>.57 dan Spearman rho>.42 untuk data perempuan; semua ps<.001).

Analisis korelasi

Data CogniFit® dan NHTSA rata-rata untuk pria dan wanita dengan usia antara 18 dan 78 tahun dianalisis secara statistik mengikuti pendekatan korelasional berdasarkan koefisien peringkat Spearman untuk fungsi monotonik dan koefisien korelasi Pearson untuk hubungan linear antar variabel.

Persentase akurasi rata-rata untuk pria dan wanita dalam dua tugas CogniFit® dikorelasikan dengan data mentah dari pengemudi pria dan wanita yang terlibat dalam 1) kecelakaan fatal, 2) kecelakaan yang hanya mengakibatkan cedera, dan 3) kecelakaan yang hanya mengakibatkan kerusakan properti.

Hasilnya menunjukkan korelasi positif yang kuat antara pengukuran gabungan CogniFit® dan jumlah tiga jenis kecelakaan lintas usia, dengan koefisien korelasi lebih tinggi dari 0,80 dalam semua kasus . Grafik berikut menggambarkan hubungan antara variabel-variabel ini bersama dengan koefisien korelasi yang sesuai. Setiap titik menggambarkan nilai pada setiap titik usia tertentu, dan garis biru sesuai dengan garis LOESS yang disesuaikan (lihat Panel Plot 1).

Selain itu, prosedur serupa diikuti dengan membagi data menurut jenis kelamin pengemudi (pria atau wanita). Koefisien korelasi sangat mirip untuk kedua kelompok jenis kelamin, yang menunjukkan kekokohan hubungan intrinsik antara ukuran gabungan CogniFit® dan jenis kecelakaan , terlepas dari jenis kelamin pengemudi ( dengan semua koefisien lebih tinggi dari 0,75 ). Grafik yang sesuai menampilkan hubungan ini dengan setiap kelompok jenis kelamin yang direpresentasikan dalam warna yang berbeda (lihat Panel Plot 1).

Analisis regresi

Analisis regresi linier dilakukan dengan menggunakan data berbagai jenis kecelakaan yang dikonversi menjadi persentase kecelakaan per jenis dan jenis kelamin dari total sebagai ukuran dependen, dan usia pengemudi, jenis kelamin mereka, dan skor gabungan CogniFit® mereka sebagai faktor prediktif , dengan interaksi antara dua faktor terakhir juga ditambahkan ke dalam model.

Hasil yang sesuai dengan kecelakaan fatal menunjukkan kesesuaian model yang sangat tinggi, menjelaskan 98,3% varians sebagai fungsi estimasi parameter (R=0,966, R2=0,983). Koefisien model untuk berbagai faktor menunjukkan daya prediksi usia dan jenis kelamin yang signifikan , menunjukkan bahwa pengemudi yang lebih tua terlibat dalam lebih sedikit kecelakaan fatal daripada pengemudi yang lebih muda dan bahwa wanita memiliki lebih sedikit kecelakaan fatal daripada pria. Skor gabungan CogniFit® juga menunjukkan efek yang signifikan , yang menunjukkan hubungan langsung antara keterampilan estimasi seseorang dan jumlah kecelakaan fatal. Yang penting, pengamatan akhir ini memenuhi syarat oleh interaksi yang signifikan antara skor gabungan CogniFit® dan jenis kelamin. Seperti yang ditunjukkan dalam grafik (lihat Panel Plot 2), pengaruh skor gabungan CogniFit® berbeda untuk setiap gender: Bagi pria, skor yang lebih tinggi pada skor gabungan CogniFit® dikaitkan dengan risiko lebih tinggi terlibat dalam kecelakaan fatal, sementara bagi wanita, skor gabungan CogniFit® yang lebih tinggi dikaitkan dengan persentase kecelakaan fatal yang lebih rendah .

Temuan paralel diamati untuk analisis data yang sesuai dengan kecelakaan kendaraan bermotor yang hanya menyebabkan cedera . Model yang sama menjelaskan 96,2% varians (R=0,981, R2=0,962) , dan pengaruh usia signifikan , seperti halnya pengaruh skor gabungan CogniFit® . Jenis kelamin dan skor gabungan CogniFit® menunjukkan interaksi yang signifikan : Sementara pria mengikuti pola langsung yang diharapkan antara skor gabungan CogniFit® dan jumlah kecelakaan yang hanya menyebabkan cedera, wanita menunjukkan hubungan terbalik: untuk wanita, skor gabungan CogniFit® yang lebih tinggi dikaitkan dengan lebih sedikit kecelakaan.

Akhirnya, analisis data yang sesuai dengan kecelakaan kendaraan bermotor yang hanya mengakibatkan kerusakan properti pun dilakukan. Model yang sama menjelaskan 95,8% varians (R=0,979, R2=0,958) , dan pengaruh usia, jenis kelamin, dan skor gabungan CogniFit® signifikan . Jenis kelamin dan skor gabungan CogniFit® menunjukkan interaksi yang signifikan , sekali lagi menunjukkan hubungan terbalik antara skor gabungan CogniFit® dan jumlah kecelakaan kendaraan bermotor yang hanya mengakibatkan cedera pada pengemudi perempuan.

Tabel berikut merangkum kekuatan penjelasan model statistik yang menambahkan skor gabungan CogniFit® vs. model yang lebih sederhana yang hanya menyertakan usia pengemudi dan jenis kelamin mereka. Seperti yang terlihat, dalam semua kasus model yang dihasilkan jauh lebih baik (seperti yang dibuktikan oleh kontras model statistik yang sesuai).