Assessing Mileage Exposure and Speed Behavior Among Older Drivers Based on Crash Involvement Status
Notice bibliographique
Résumé
ABSTRACT Population and crash projections for the year 2030, suggest that drivers age 65 and older will represent one quarter of total population and one quarter of motor vehicle-related fatalities. The full implications of these trends in terms of crash reduction measures such as operator education, self-regulation, and licensing regulations are unknown. However, for any of these crash reduction measures to be effective, it is first imperative to understand and identify older driver behavior (or activity patterns). Only then can data be linked with crash involvements to determine effective countermeasures allowing safe mobility for older persons. This study investigates the driving patterns of seniors who have and who have not experienced a crash during a 14-month study period using the longitudinally collected GPS trip data. This investigation allows for an empirical investigation to determine if older drivers with a recent crash experience drive differently in terms of speed, time of day, or roadway types. This study found that crash-involved older drivers usually traveled longer distances and traveled at higher speeds than older drivers who were not involved in crashes. While travel on freeways between the two groups showed significant mileage and speed differences, the crash-involved older drivers were more likely to exhibit over-speeding activity at arterials and local roadways than drivers who were not involved in crashes. This study suggests that transportation safety engineers and policy makers should also aim speed campaigns to older drivers. Traditionally, older drivers have not been a target population for these types of campaigns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».