Segmented Ordered Logit Analysis of Gender and Bicycle-Vehicle Conflict Occurrence at Urban Intersections
Notice bibliographique
Résumé
The relative lack of safety for cyclists in North America demands attention from transportation professionals. Traffic crash modelling is one tool for evaluating the factors that contribute to cyclist risk, though traditional safety models calibrated with crash data require crashes to occur before causes can be identified and countermeasures can be implemented. Although surrogate safety measures have diminished reliance on crash data, surrogate techniques have yet to be integrated with traffic crash models. The purpose of this study is to estimate a segmented ordered logit model for bicycle-vehicle conflict occurrence to evaluate the impact of gender on cyclist risk at urban intersections with cycle tracks. Video data was collected at two sites in Montreal, Canada. Road users were extracted, classified, and filtered using open-source computer vision software to yield 762 interactions for analysis. Creation of the discrete choice variable was achieved by dividing post-encroachment time (the chosen surrogate measure) into normal interaction, conflict, and dangerous conflict. Independent variables reflecting attributes of the cyclist, vehicle, and environment were extracted by both automated and manual techniques. Results indicated that an ordered model is appropriate for analyzing traffic conflicts. Furthermore, segmentation was beneficial in comparing different segments of the population within a single model. Male cyclists, with all else being equal, were less likely than female cyclists to be involved in conflicts and dangerous conflicts at the studied intersections. These results will contribute to and further the understanding of gender differences in cycling within North America.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».