Abstract: : QT-PIE (Quantitative Tool for Practical-driving Improvement and Examination) är ett körbedömningsverktyg som använder eyetracking och artificiell intelligens (AI) för att objektivt mäta en förares körprestanda. Med hjälp av ögonspårning, datorseende och information om fordonets dynamik analyserar QT-PIE-systemet körbeteendet genom att utvärdera (a) var föraren uppmärksammar, (b) vad föraren uppmärksammar (semantisk ögonspårning) och (c) hur föraren kör fordonet (med hjälp av fordonsdynamik). Den beräknar sedan en intelligent bedömning av körprestandan avseende förarens efterlevnad av trafiksäkerhetskraven som föreskrivs av trafikmyndigheterna. I den föreslagna förstudien avser vi att undersöka den primära forskningsfrågan: Hur kan QT-PIE-systemet hjälpa till att bedöma körprestandan avseende förarens efterlevnad av trafiksäkerhetskraven som föreskrivs av trafikmyndigheten? Denna fråga kommer att vägledas av sekundära forskningsfrågor, som riktar sig till var och en av de intressenter som skulle använda forskningsresultaten, dvs (A) Blivande förare, (B) Trafikskolor (STR) och privata körlärare, (C) Trafikverket, och (D) Vårdpersonal. QT-PIE-systemet förväntas optimera inlärningsprocessen genom att ge skräddarsydd feedback och förslag till potentiella förare. Återkopplingen från QT-PIE-systemet kommer också att vara ett användbart läromedel för trafikskolelärare, Sveriges Trafikutbildares Riksförbund (STR), och privatlärare för att utbilda elever på ett optimalt och anpassat sätt. QT-PIE-systemet har potential att bli en del av utvärderingen under teori- och praktikprov som genomförs av Trafikverket, ett forskningsområde som vi avser att samarbeta med Trafikverket. Dessutom kan den körprestandabedömning som tillhandahålls av QT-PIE-verktyget användas för att fastställa körförmågan hos äldre patienter, stroke, demens och ASD-patienter. Vi introducerade och diskuterade QT-PIE-systemet för var och en av intressenterna som ansåg att det kunde vara ett stort värde för deras inlärnings-, undervisnings- och examinationsändamål. Vi tror därför starkt på att QT-PIE-systemet har en stor potential att bidra positivt mot Nollvisionsmålet (SDG 11 - Hållbara städer och samhällen). QT-PIE kan fungera som ett användbart verktyg för att förbättra kvaliteten på privat praktisk körutbildning (SDG 4 - Kvalitetsutbildning), och på så sätt förbättra godkändprocenten i det praktiska körprovet, som konsekvent har sjunkit under de senaste åren. De 172 923 underkända körproven bara under 2020 (55 % av alla körprov!) resulterade i en resa på cirka 4 miljoner km som uppgick till 1 252 ton koldioxid, bortsett från andra förorenande utsläpp, dyrbar tid och ekonomiska resurser samt fordonsslitage och tår av praktisk körinlärning och prov. Med den förväntade förbättringen av utbildningens kvalitet med QT-PIE, förväntar vi oss att delvis minska dessa utsläpp förutom att spara värdefull tid, pengar och slitage av relevanta resurser (SDG 13 - Skydda planeten).Abstract: QT-PIE (Quantitative Tool for Practical-driving Improvement and Examination) is a driving assessment tool that uses eye tracking and artificial intelligence (AI) to objectively erasure the driving performance of a driver. Using eye tracking, computer vision and information about the vehicle dynamics, the QT-PIE system analyses the driving behavior by evaluating (a) where the driver is paying attention to, (b) what the driver is paying attention to (semantic eye tracking), and (c) how the driver is driving the vehicle (using vehicle dynamics). It then computes an intelligent assessment of the driving performance concerning the driver’s compliance with the traffic safety requirements as prescribed by the traffic authorities. In the proposed pre-study, we intend to investigate the primary research question: How can the QT-PIE system help in assessing the driving performance concerning driver’s compliance with the traffic safety requirements as prescribed by the traffic authority? This question will be guided by secondary research questions, which are addressed towards each of the stakeholders who would use the research results, i.e., (A) Prospective drivers, (B) Traffic schools (STR), and private driving teachers, (C) Trafikverket, and (D) Healthcare professionals. The QT-PIE system is expected to optimize the learning process by providing customized feedback and suggestions to prospective drivers. The feedback provided by the QT-PIE system will also be a useful teaching aid for driving schoolteachers, Sveriges Trafikutbildares Riksförbund (STR), and private teachers to educate and examine students in an optimal and customized manner. The QT-PIE system has the potential to become a component of evaluation during theory and practical examinations conducted by Trafikverket, a research area that we intend to collaborate with Trafikverket. Furthermore, the driving performance assessment provided by the QT-PIE tool can be used in determining the driving abilities of elderly, stroke, dementia, and ASD patients. We introduced and discussed the QT-PIE system to each of the stakeholders who opined that it could be a great value for their learning, teaching, and examination purposes. We therefore strongly believe that the QT-PIE system has a great potential to contribute positively towards the Vision Zero goal (SDG 11 – Sustainable cities and communities). QT-PIE can serve as a useful tool to improve the quality of private practical driving education (SDG 4 - Quality education), thus improving the passing percentage in the practical driving examination, which has been consistently declining over the past years. The 172,923 failed driving tests in 2020 alone (55% of all driving tests!) resulted in a journey of approximately 4 million km amounting to 1,252 tonnes of carbon dioxide, apart from other polluting emissions, precious time and monetary resources, and vehicle wear and tear of practical driving learning and examinations. With the expected improvement in the quality of education using QT-PIE, we expect to partially cut down these emissions in addition to saving valuable time, money, and wear and tear of relevant resources (SDG 13 – Protect the planet).