CogniFit - Оценка вероятности попадания в дорожно-транспортное происшествие на основе социально-демографических и когнитивных данных.

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

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

• 1. Центр когнитивной науки - C3, Университет Небриха (Мадрид, Испания).
• 2. AcqVA Aurora Center, Арктический университет Норвегии (Tromsø, Norway).

Заключение исследования

Существует устойчивая взаимосвязь между когнитивной способностью "Оценка" CogniFit и различными типами дорожно-транспортных происшествий, независимо от пола водителей (все коэффициенты больше 0.75). Возраст, пол и баллы по Оценке являются хорошими предикторами вероятности попадания в ДТП со смертельным исходом (98.3% дисперсии, R=0.966, R2=0.983), ДТП с травмами (96.2% дисперсии, R=0.981, R2=0.962) и ДТП с материальным ущербом (95.8% дисперсии, R=0.979, R2=0.958).

Показатели CogniFit®

Данные были собраны с помощью двух независимых когнитивных заданий, которые измеряли способности к оценке участников с помощью компьютера и смартфона. В общей сложности данные упражнения CogniFit® выполнили 20231 человек из 123 различных стран в возрасте от 18 до 78 лет (10627 женщин, 9606 мужчин).

Одно из заданий измеряет способность участников оценивать продолжительность слухового стимула: им нужно было прервать слуховой стимул, чтобы воспроизвести точную продолжительность ранее представленного слухового стимула. Другое задание измеряет способность участников оценивать скорость движущихся объектов, пройденную дистанцию и расстояние, которое ещё нужно пройти, а также то, как совместное взаимодействие скорости и расстояния влияет на движение объекта. Затем был получен общий процент точности для каждого участника с помощью зависимых переменных, измеренных во время выполнения этих упражнений. Более высокие процентные показатели свидетельствуют о лучшей продуктивности при выполнении заданий. Таким образом был рассчитан общий балл, демонстрирующий способность каждого пользователя к оценке.

Измерения ДТП с участием моторизированных транспортных средств

Данные были получены от Национального управления безопасностью движения на трассах (NHTSA) США с помощью Fatality and Injury Reporting System Tool (FIRST). Все данные за период 2014-2018 гг. по общему количеству лиц, ставших участниками трёх видов ДТП с моторизированными транспортными средствами, были получены от службы консультации и оповещения о данных, отфильтрованы по возрасту водителей (были выбраны люди в возрасте от 18 до 78 лет).

В первую очередь, были собраны данные водителей, вовлечённых в аварии со смертельным исходом, полученные из Fatality Analysis Reporting System (FARS) 2004-2017 и Annual Report File (ARF) 2018.

Затем были отобраны данные водителей, вовлечённых в ДТП с травмами с участием моторных транспортных средств, полученные от National Automotive Sampling System General Estimates System за 2004-2015 гг. (NASS-GES) и от Crash Report Sampling System за 2016-2017 гг. (CRSS).

И в-третьих, из тех же источников были собраны данные о водителях, причастных к имущественному ущербу в результате дорожно-транспортных происшествий.

Исходные допущения

Возраст является критическим фактором как для количества каждого вида ДТП, так и для их степени тяжести (как правило, пожилые водители реже попадают в ДТП). Кроме того, возраст также является важным показателем способности к оценке (результаты CogniFit® демонстрируют, что самые низкие баллы наблюдаются у пожилых людей).

С учётом этих двух исходных предположений, корреляционный анализ должен показать существенную прямую связь между количеством ДТП и результатами заданий CogniFit® на оценку, поскольку возраст может быть определяющим фактором в этих наблюдениях. Но что ещё более важно, это то, что баллы CogniFit® дают дополнительное преимущество при прогнозировании дорожно-транспортных происшествий любого типа, что должно быть показано с помощью регрессионного анализа, после того как будет отражён и учтён эффект возраста.

Анализ корреляции

Средние показатели CogniFit® и NHTSA для мужчин и женщин в возрасте 18-78 лет были статистически проанализированы на основе корреляционного подхода, основанного на коэффициенте ранговой корреляции Спирмена для монотонных функций и коэффициенте корреляции Пирсона для линейных зависимостей между переменными.

Средние показатели точности как для мужчин, так и для женщин при выполнении двух заданий CogniFit® были соотнесены с исходными данными водителей мужского и женского пола, участвовавших в 1) ДТП со смертельным исходом, 2) ДТП с травмами и 3) ДТП с материальным ущербом.

Результаты показали сильные положительные корреляции между баллами CogniFit® и количеством трёх различных типов ДТП в зависимости от возраста, с коэффициентами корреляции более 0.80 всех случаях. Графики ниже представляют эти связи между переменными вместе с соответствующими коэффициентами корреляции. Каждая точка представляет собой значение для каждого возраста, а синяя линия соответствует линии LOESS (см. Plot Panel 1).

Кроме того, аналогичная процедура была применена с разбивкой данных по полу водителей (мужской и женский). Коэффициенты корреляции были очень схожи для обоих полов и демонстрировали прочность взаимосвязи между баллами CogniFit® и различными типами ДТП, независимо от пола водителей (при всех коэффициентах выше 0.75). Соответствующие графики показывают эту взаимосвязь с каждой гендерной группой, представленной разным цветом (см. Plot Panel 1).

Регрессионный анализ

Анализ линейной регрессии проводился с использованием данных различных типов аварий, преобразованных в процент аварий по типу и полу от общего числа (как зависимые переменные) и данных о возрасте, поле водителей и полученных ими баллах в CogniFit® (как прогностические факторы), при этом взаимодействие между двумя последними факторами также было добавлено в модели.

Результаты, соответствующие ДТП со смертельным исходом, продемонстрировали очень высокую степень адекватности модели, объясняя 98,3% дисперсии в зависимости от оценок параметров (R=0,966, R2=0,983). Коэффициенты модели для различных факторов показали значительную прогностическую силу возраста и пола, продемонстрировав, что водители старшего возраста реже попадают в ДТП, чем молодые, и что женщины меньше подвержены ДТП со смертельным исходом по сравнению с мужчинами. Баллы CogniFit® также показали значительный эффект, что указывает на прямую связь между способностью людей к оценке и количеством ДТП со смертельным исходом. Следует отметить, что это наблюдение связано с существенной взаимосвязью между полом и полученными в CogniFit® баллами. Как показано на графиках (см. Plot Panel 2), влияние баллов CogniFit® различается по полу: у мужчин более высокие баллы CogniFit® по способности к оценке связаны с более высоким риском попасть в ДТП со смертельным исходом, в то время как у женщин более высокие баллы в CogniFit® связаны с меньшим риском быть вовлечёнными в аварии со смертельным исходом.

Параллельно были сделаны выводы для анализа данных, соответствующих ДТП с травмами. Эта же модель показала 96,2% дисперсии (R=0,981, R2=0,962), а также существенный эффект возраста и эффект баллов CogniFit®. Пол и баллы CogniFit® показали значительную взаимосвязь: в то время как мужчины следовали прямой зависимости между баллами CogniFit® и количеством ДТП с травмами, женщины показали обратную зависимость, при этом более высокий балл CogniFit® ассоциировался с меньшим количеством ДТП.

В заключение, был проведён анализ данных, соответствующих ДТП с материальным ущербом. Та же модель показала 95,8% дисперсии (R=0,979, R2=0,958), а также значительные эффекты возраста, пола и баллов CogniFit®. Пол и баллы CogniFit® показали значительное взаимодействие, что опять же свидетельствует об обратной связи между баллами CogniFit® у женщин и количеством ДТП с материальным ущербом.

В следующей таблице представлена объяснительная сила статистической модели путём добавления оценочных баллов CogniFit® по сравнению с более простой моделью, которая включает в себя только возраст и пол водителей. Как видно, во всех случаях результирующие модели значительно лучше, когда к модели добавляется CogniFit® (о чём свидетельствуют соответствующие контрасты статистических моделей).