ข้อสงวนสิทธิ์ : เนื้อหาทั้งหมดที่นำเสนอในรายงานการวิเคราะห์ข้อมูลฉบับย่อนี้ เว้นแต่จะระบุไว้เป็นอย่างอื่นโดยเฉพาะ อยู่ระหว่างการพัฒนาโดยกลุ่มนักวิจัยอิสระภายนอก การวิเคราะห์ที่นำเสนอในรายงานนี้จัดทำขึ้นเพื่อเป็นข้อมูลเท่านั้น และไม่ควรนำไปใช้หรือพิจารณาว่าเป็นสิ่งพิมพ์ทางวิทยาศาสตร์ที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ

ชื่อเดิม : การประมาณความน่าจะเป็นของการมีส่วนเกี่ยวข้องในอุบัติเหตุทางรถยนต์ โดยพิจารณาจากข้อมูลทางสังคมประชากรและข้อมูลด้านความรู้ความเข้าใจ

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

• 1. Centro de Ciencia Cognitiva - C3 (ศูนย์วิทยาศาสตร์ความรู้ความเข้าใจ), Universidad Nebrija (มาดริด, สเปน)
• 2. ศูนย์ AcqVA Aurora มหาวิทยาลัยอาร์กติกแห่งนอร์เวย์ (ทรอมโซ ประเทศนอร์เวย์)

ข้อสรุปหลัก:

มีความสัมพันธ์ที่แข็งแกร่งระหว่างคะแนนการประเมินความเสี่ยง (Estimation) ของ CogniFit กับอุบัติเหตุจราจรประเภทต่างๆ โดยไม่ขึ้นอยู่กับเพศของผู้ขับขี่ (ค่าสัมประสิทธิ์ทั้งหมดมากกว่า 0.75) อายุ เพศ และคะแนนการประเมินความเสี่ยงของผู้ขับขี่ เป็นตัวทำนายที่ดีของโอกาสที่กลุ่มจะประสบอุบัติเหตุทางรถยนต์ร้ายแรง (อธิบายความแปรปรวนได้ 98.3% R² = 0.966, R² = 0.983) โอกาสที่จะประสบอุบัติเหตุที่มีผู้บาดเจ็บ (อธิบายความแปรปรวนได้ 96.2% R² = 0.981, R² = 0.962) และโอกาสที่จะประสบอุบัติเหตุที่มีความเสียหายทางวัตถุ (อธิบายความแปรปรวนได้ 95.8% R² = 0.979, R² = 0.958)

CogniFit® วัดผล

มีการเก็บรวบรวมข้อมูลจากการทดสอบความรู้ความเข้าใจสองครั้งที่ดำเนินการอย่างอิสระ โดยวัดทักษะการประมาณค่าของผู้เข้าร่วมโดยใช้สมาร์ทโฟนและคอมพิวเตอร์ส่วนบุคคล ผู้เข้าร่วมทั้งหมด 20,231 คนจาก 123 ประเทศ อายุระหว่าง 18 ถึง 78 ปี ทำแบบทดสอบ CogniFit® ทั้งสองนี้เสร็จสมบูรณ์ (หญิง 10,627 คน ชาย 9,606 คน)

หนึ่งในภารกิจวัดความสามารถของผู้เข้าร่วมใน การประมาณระยะเวลาของสิ่งเร้าทางเสียงต่อเนื่อง โดยขอให้พวกเขาขัดจังหวะสิ่งเร้าทางเสียงที่กำลังดำเนินอยู่ เพื่อให้ได้ระยะเวลาที่แน่นอนของสิ่งเร้าทางเสียงต่อเนื่องที่นำเสนอไปก่อนหน้านี้ อีกภารกิจหนึ่งวัดความสามารถของผู้เข้าร่วมใน การประมาณความเร็วของวัตถุที่เคลื่อนที่ ระยะทางที่เคลื่อนที่ไปแล้วและระยะทางที่จะเคลื่อนที่ไป และปฏิสัมพันธ์ระหว่างความเร็วและระยะทางส่งผลต่อการเคลื่อนที่ของวัตถุอย่างไร ตัวแปรตามที่ได้จากภารกิจทั้งสองนี้สอดคล้องกับเปอร์เซ็นต์ความแม่นยำโดยรวมของผู้เข้าร่วมแต่ละคน โดยความแม่นยำของผู้เข้าร่วมที่ดีกว่าจะแสดงด้วยคะแนนเปอร์เซ็นต์ที่สูงกว่า จากตัวแปรเหล่านี้ ได้มีการคำนวณค่า CogniFit® แบบรวมที่วัด ความสามารถในการประมาณของแต่ละบุคคล

มาตรการการชนกันของยานยนต์

ข้อมูลได้มาจากสำนักงานบริหารความปลอดภัยการจราจรบนทางหลวงแห่งชาติ (NHTSA) ของสหรัฐอเมริกา ผ่านทางเครื่องมือระบบรายงานการเสียชีวิตและการบาดเจ็บ (FIRST) ข้อมูลทั้งหมด ตั้งแต่ปี 2014 ถึง 2018 ที่เกี่ยวข้องกับจำนวนสุทธิของผู้ที่เกี่ยวข้องในอุบัติเหตุทางรถยนต์สามประเภท ถูกรวบรวมจากบริการสอบถามและรายงานข้อมูลสาธารณะ โดยกรองตามอายุของผู้ขับขี่ (เลือกเฉพาะผู้ที่มีอายุระหว่าง 18 ถึง 78 ปี )

ขั้นแรก ได้มีการรวบรวมข้อมูลเกี่ยวกับผู้ขับขี่ที่เกี่ยวข้องกับ อุบัติเหตุที่มีผู้เสียชีวิต จากระบบรายงานการวิเคราะห์อุบัติเหตุร้ายแรง (FARS) ปี 2004-2017 และไฟล์รายงานประจำปี (ARF) ปี 2018

ประการที่สอง ข้อมูลจากผู้ขับขี่ที่เกี่ยวข้องกับ อุบัติเหตุทางรถยนต์ที่ทำให้เกิดการบาดเจ็บเพียงอย่างเดียว ได้รับมาจากระบบการสุ่มตัวอย่างยานยนต์แห่งชาติ (NASS-GES) ปี 2004-2015 และระบบการสุ่มตัวอย่างรายงานอุบัติเหตุ (CRSS) ปี 2016-2017

ประการที่สาม ข้อมูลเกี่ยวกับผู้ขับขี่ที่เกี่ยวข้อง กับอุบัติเหตุทางรถยนต์ที่ก่อให้เกิดความเสียหายต่อทรัพย์สินเพียงอย่างเดียว ได้รับการรวบรวมจาก แหล่งข้อมูลเดียวกัน

ข้อสมมติฐานเริ่มต้น

อายุเป็นปัจจัยสำคัญ ทั้งต่อความถี่ของการเกิดอุบัติเหตุแต่ละประเภทและความรุนแรง (โดยผู้ขับขี่ที่มีอายุมากกว่าจะมีส่วนเกี่ยวข้องกับอุบัติเหตุน้อยกว่า) นอกจากนี้ อายุยังเป็น ตัวแปรสำคัญที่ส่งผลต่อความสามารถในการประเมิน (ผลการทดสอบ CogniFit® แสดงให้เห็นว่าผู้ที่มีอายุมากกว่ามีคะแนนต่ำกว่า)

ด้วยสมมติฐานทั้งสองนี้ การวิเคราะห์ความสัมพันธ์ควรแสดงให้เห็นถึงความสัมพันธ์โดยตรงที่มีนัยสำคัญระหว่างจำนวนอุบัติเหตุและผลลัพธ์ในงานประเมินผลของ CogniFit® โดยที่อายุอาจเป็นปัจจัยหนึ่งที่ส่งผลต่อข้อสังเกตเหล่านี้ แต่ที่สำคัญกว่านั้น หากคะแนนรวมของ CogniFit® แสดงถึงประโยชน์เพิ่มเติมสำหรับการประเมินอุบัติเหตุทางรถยนต์ประเภทใดก็ตาม ควรแสดงให้เห็นในการวิเคราะห์การถดถอย หลังจากได้พิจารณาผลกระทบของอายุแล้ว

อย่างไรก็ตาม ควรระลึกไว้เสมอว่าแหล่งข้อมูลทั้งสองแหล่งนั้นมาจากกลุ่มตัวอย่างที่แตกต่างกันจากประชากรที่ต่างกัน ข้อมูลการเกิดอุบัติเหตุทางรถยนต์ได้มาจากสำนักงานบริหารความปลอดภัยการจราจรบนทางหลวงแห่งชาติ (NHTSA) ของสหรัฐอเมริกา ซึ่งส่วนใหญ่หรือทั้งหมดเกี่ยวข้องกับพลเมืองอเมริกัน ในทางตรงกันข้าม ข้อมูลการวัดจาก CogniFit® ได้มาจากกลุ่มตัวอย่างที่หลากหลายจากแหล่งกำเนิดที่แตกต่างกัน (123 ประเทศ) ดังนั้นจึงควรใช้ความระมัดระวังเมื่อพิจารณาผลการวิเคราะห์ต่อไปนี้ เนื่องจากอาจมีข้อผิดพลาดประเภทที่ 1 อันเป็นผลมาจากความสัมพันธ์ที่ซ่อนเร้น

อย่างไรก็ตาม มีข้อสังเกตหลายประการที่ควรกล่าวถึงในประเด็นนี้ ประการแรก ควรพิจารณาว่าผลลัพธ์ของการทดสอบความรู้ความเข้าใจที่กำหนด โดยใช้กลุ่มตัวอย่างขนาดใหญ่และเป็นตัวแทนที่ดี รวมถึงคุณสมบัติทางจิตวิทยาที่เหมาะสม เช่น CogniFit® (ดูรายละเอียดเกี่ยวกับความถูกต้องและความน่าเชื่อถือของเครื่องมือประเมินได้ ที่ลิงก์นี้ ) สามารถนำมาใช้เป็นข้อมูลมาตรฐานและนำไปใช้กับกลุ่มตัวอย่างอื่นที่คล้ายคลึงกันได้โดยวิธีการสรุปผล และประการที่สอง ภายใต้เงื่อนไขที่ว่ามีขนาดกลุ่มตัวอย่างใหญ่เพียงพอที่จะทำให้สามารถสรุปผลและถ่ายโอนได้ ควรพิจารณาว่าการใช้ค่าประมาณพารามิเตอร์ที่ได้จากชุดข้อมูลมาตรฐานหรือการวิเคราะห์เพื่ออธิบายความแปรปรวนจากกลุ่มตัวอย่างที่แตกต่างกันนั้น เป็นวิธีการประมาณค่าแบบขยายผลที่ได้รับความนิยมมากขึ้นเรื่อยๆ (ดูตัวอย่างเช่น บทความนี้ ) สิ่งนี้มีความเกี่ยวข้องอย่างยิ่งในบริบทของการวิเคราะห์ในปัจจุบัน เนื่องจากแทบเป็นไปไม่ได้เลยที่จะได้รับข้อมูลระดับชาติเกี่ยวกับอุบัติเหตุทางรถยนต์ของกลุ่มคนที่ได้รับการประเมินด้วยชุดการทดสอบความรู้ความเข้าใจก่อนที่จะเกิดอุบัติเหตุ อย่างไรก็ตาม เพื่อให้การวิเคราะห์มุ่งไปสู่กลุ่มตัวอย่างที่มีพื้นฐานคล้ายคลึงกัน จึงได้ดำเนินการวิเคราะห์แบบคู่ขนาน โดยพิจารณาเฉพาะข้อมูลของบุคคลที่ทำการประเมิน CogniFit® เสร็จสมบูรณ์ และระบุว่าเป็นพลเมืองสหรัฐฯ กลุ่มตัวอย่างย่อยนี้ประกอบด้วยผู้หญิง 1290 คน และผู้ชาย 762 คน ที่สำคัญคือ เมื่อทำการวิเคราะห์ความสัมพันธ์แบบเดียวกันกับที่นำเสนอไว้ด้านล่างนี้กับกลุ่มตัวอย่างชาวอเมริกันนี้ พบว่าได้ผลลัพธ์ที่คล้ายคลึงกัน ซึ่งเป็นการยืนยันข้อสรุปหลัก (โดยค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson > 0.55 และค่าสัมประสิทธิ์สหสัมพันธ์ของ Spearman > 0.40 สำหรับการวิเคราะห์ข้อมูลผู้ชาย และค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson > 0.57 และค่าสัมประสิทธิ์สหสัมพันธ์ของ Spearman > 0.42 สำหรับข้อมูลผู้หญิง; ค่า p < 0.001 ในทุกกรณี)

การวิเคราะห์ความสัมพันธ์

ข้อมูลเฉลี่ยจาก CogniFit® และ NHTSA สำหรับผู้ชายและผู้หญิงที่มีอายุระหว่าง 18 ถึง 78 ปี ได้รับการวิเคราะห์ทางสถิติโดยใช้แนวทางการหาความสัมพันธ์ โดยใช้สัมประสิทธิ์สหสัมพันธ์ของสเปียร์แมนสำหรับฟังก์ชันแบบโมโนโทนิก และสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันสำหรับความสัมพันธ์เชิงเส้นระหว่างตัวแปร

เปอร์เซ็นต์เฉลี่ยของความแม่นยำสำหรับทั้งชายและหญิงในงานทดสอบ CogniFit® ทั้งสองงาน ถูกนำมาหาความสัมพันธ์กับข้อมูลดิบจากผู้ขับขี่ชายและหญิงที่เกี่ยวข้องกับ 1) อุบัติเหตุร้ายแรงถึงแก่ชีวิต 2) อุบัติเหตุที่ทำให้บาดเจ็บเท่านั้น และ 3) อุบัติเหตุที่ทำให้ทรัพย์สินเสียหายเท่านั้น

ผลการวิจัยแสดงให้เห็นถึงความสัมพันธ์เชิงบวกที่แข็งแกร่งระหว่างมาตรวัด CogniFit® แบบรวมกับจำนวนอุบัติเหตุทั้งสามประเภทในแต่ละช่วงอายุ โดยมีค่าสัมประสิทธิ์สหสัมพันธ์สูงกว่า 0.80 ในทุกกรณี กราฟต่อไปนี้แสดงความสัมพันธ์เหล่านี้ระหว่างตัวแปรต่างๆ พร้อมกับค่าสัมประสิทธิ์สหสัมพันธ์ที่สอดคล้องกัน แต่ละจุดแสดงถึงค่า ณ จุดอายุเฉพาะแต่ละจุด และเส้นสีน้ำเงินสอดคล้องกับเส้น LOESS ที่ปรับให้เหมาะสม (ดูแผงกราฟที่ 1)

นอกจากนี้ ยังได้ดำเนินการตามขั้นตอนที่คล้ายกันโดยแบ่งข้อมูลตามเพศของผู้ขับขี่ (ชายหรือหญิง) ค่าสัมประสิทธิ์สหสัมพันธ์มีความคล้ายคลึงกันมากสำหรับทั้งสองกลุ่มเพศ ซึ่งแสดงให้เห็นถึงความแข็งแกร่งของความสัมพันธ์ที่แท้จริงระหว่างมาตรวัดแบบผสมของ CogniFit® และประเภทของอุบัติเหตุ โดยไม่ขึ้นอยู่กับเพศของผู้ขับขี่ ( โดยค่าสัมประสิทธิ์ทั้งหมดสูงกว่า 0.75 ) กราฟที่เกี่ยวข้องแสดงความสัมพันธ์นี้ โดยแต่ละกลุ่มเพศแสดงด้วยสีที่แตกต่างกัน (ดูแผงกราฟที่ 1)

การวิเคราะห์การถดถอย

ได้ทำการวิเคราะห์การถดถอยเชิงเส้นโดยใช้ข้อมูลของอุบัติเหตุประเภทต่างๆ ที่แปลงเป็น เปอร์เซ็นต์ของอุบัติเหตุต่อประเภทและเพศ จากทั้งหมดเป็นตัวแปรตาม และ อายุของผู้ขับขี่ เพศ และคะแนนรวม CogniFit® เป็นปัจจัยทำนาย โดยได้เพิ่มปฏิสัมพันธ์ระหว่างสองปัจจัยหลังเข้าไปในแบบจำลองด้วย

ผลลัพธ์ที่เกี่ยวข้องกับ อุบัติเหตุร้ายแรง แสดงให้เห็นถึง ความเหมาะสมของแบบจำลองที่สูงมาก โดยสามารถอธิบายความแปรปรวนได้ถึง 98.3% ตามค่าประมาณพารามิเตอร์ (R = 0.966, R² = 0.983) สัมประสิทธิ์ของแบบจำลองสำหรับปัจจัยต่างๆ แสดงให้เห็นถึง พลังในการทำนายที่สำคัญของอายุและเพศ โดยแสดงให้เห็นว่า ผู้ขับขี่ที่มีอายุ มากกว่ามีส่วนเกี่ยวข้องกับ อุบัติเหตุร้ายแรงน้อย กว่าผู้ขับขี่ที่อายุน้อยกว่า และ ผู้หญิงมีอุบัติเหตุร้ายแรงน้อย กว่าผู้ชาย คะแนนรวมของ CogniFit® ยังแสดงให้เห็นถึงผลกระทบที่สำคัญ ซึ่งบ่งชี้ถึงความสัมพันธ์โดยตรงระหว่างทักษะการประเมินของบุคคลกับจำนวนอุบัติเหตุร้ายแรง ที่สำคัญคือ ข้อสังเกตสุดท้ายนี้ได้รับการยืนยันโดยปฏิสัมพันธ์ที่สำคัญระหว่างคะแนนรวมของ CogniFit® และเพศ ดังแสดงในกราฟ (ดูแผงกราฟที่ 2) อิทธิพลของคะแนนรวม CogniFit® แตกต่างกันในแต่ละเพศ: สำหรับผู้ชาย คะแนนรวม CogniFit® ที่สูงขึ้นมีความสัมพันธ์กับความเสี่ยงที่สูงขึ้นในการเกิดอุบัติเหตุร้ายแรง ในขณะที่สำหรับผู้หญิง คะแนนรวม CogniFit® ที่สูงขึ้นมีความสัมพันธ์กับเปอร์เซ็นต์ของอุบัติเหตุร้ายแรงที่ลดลง

พบผลลัพธ์ที่คล้ายคลึงกันในการวิเคราะห์ข้อมูลที่เกี่ยวข้องกับ อุบัติเหตุทางรถยนต์ที่มีแต่การบาดเจ็บ แบบจำลองเดียวกันนี้ สามารถอธิบายความแปรปรวนได้ 96.2% (R=0.981, R2=0.962) และ ผลกระทบของอายุมีนัยสำคัญ เช่นเดียวกับ ผลกระทบของคะแนนรวม CogniFit® เพศและคะแนนรวม CogniFit® แสดง ปฏิสัมพันธ์ที่มีนัยสำคัญ : ในขณะที่เพศชายมีรูปแบบโดยตรงตามที่คาดไว้ระหว่างคะแนนรวม CogniFit® และจำนวนอุบัติเหตุที่มีแต่การบาดเจ็บ เพศหญิงกลับแสดงความสัมพันธ์แบบผกผัน: สำหรับผู้หญิง คะแนนรวม CogniFit® ที่สูงขึ้นสัมพันธ์กับอุบัติเหตุที่น้อยลง

สุดท้ายนี้ ได้มีการวิเคราะห์ข้อมูลที่เกี่ยวข้องกับ อุบัติเหตุทางรถยนต์ที่ก่อให้เกิดความเสียหายต่อทรัพย์สินเพียงอย่างเดียว แบบจำลองเดียวกันนี้ สามารถอธิบายความแปรปรวนได้ 95.8% (R=0.979, R2=0.958) และพบ ว่าผลกระทบของอายุ เพศ และคะแนนรวมของ CogniFit® มีนัยสำคัญ เพศและคะแนนรวมของ CogniFit® แสดงให้เห็นถึงปฏิสัมพันธ์ที่มีนัยสำคัญ อีกครั้ง โดยแสดงให้เห็นถึงความสัมพันธ์แบบผกผันระหว่างคะแนนรวมของ CogniFit® และจำนวนอุบัติเหตุทางรถยนต์ที่ก่อให้เกิดการบาดเจ็บเพียงอย่างเดียว เฉพาะในกลุ่มผู้ขับขี่ที่เป็นผู้หญิงเท่านั้น

ตารางต่อไปนี้สรุป ความสามารถในการอธิบายของแบบจำลองทางสถิติ ที่เพิ่มคะแนนรวมของ CogniFit® เทียบกับแบบจำลองที่ง่ายกว่าซึ่งรวมเฉพาะอายุและเพศของผู้ขับขี่เท่านั้น ดังที่เห็นได้ชัด ในทุกกรณี แบบจำลองที่ได้นั้นดีกว่าอย่างมีนัยสำคัญ (ดังที่แสดงโดยการเปรียบเทียบแบบจำลองทางสถิติที่เกี่ยวข้อง)