MétaCan
Menu
Retour à la cohorte
Enregistrement W1993953912 · doi:10.1080/15389588.2011.588296

An Evaluation of Graduated Driver Licensing Effects on Fatal Crash Involvements of Young Drivers in the United States

2011· article· en· W1993953912 sur OpenAlexfundno aff
James C. Fell, Kristina Jones, Eduardo Romano, Robert B. Voas

Notice bibliographique

RevueTraffic Injury Prevention · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Child Health and Human DevelopmentNational Institutes of HealthEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentUniversity of Windsor
Mots-clésCrashLaw enforcementDrunk driversLawPoison controlHuman factors and ergonomicsSeat beltInjury preventionOccupational safety and healthEngineeringForensic engineeringEnvironmental healthMedicineDrunk drivingPolitical scienceComputer scienceAutomotive engineering

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Graduated driver licensing (GDL) systems are designed to reduce the high crash risk of young novice drivers. Almost all states in the United States have some form of a 3-phase GDL system with various restrictions in the intermediate phase. Studies of the effects of GDL in various states show significant reductions in fatal crash involvements of 16- and 17-year-old drivers; however, only a few national studies of GDL effects have been published. The objective of this national panel study was to evaluate the effect of GDL laws on the fatal crash involvements of novice drivers while controlling for possible confounding factors not accounted for in prior studies. METHODS: The Fatality Analysis Reporting System (FARS) was used to examine 16- and 17-year-old driver involvement in fatal crashes (where GDL laws are applied) relative to 2 young driver age groups (19-20, 21-25) where GDL would not be expected to have an effect. Dates when various GDL laws were adopted in the states between 1990 and 2007 were coded from a variety of sources. Covariates in the longitudinal panel regression analyses conducted included 4 laws that could have an effect on 16- and 17-year-old drivers: primary enforcement seat belt laws, zero-tolerance (ZT) alcohol laws for drivers younger than age 21, lowering the blood alcohol concentration limit for driving to 0.08, and so-called use and lose laws where drivers aged 20 and younger lose their licenses for underage drinking violations. RESULTS: The adoption of a GDL law of average strength was associated with a significant decrease in fatal crash involvements of 16- and 17-year-old drivers relative to fatal crash involvements of one of the 2 comparison groups. GDL laws rated as "good" showed stronger relationships to fatal crash reductions, and laws rated as "less than good" showed no reductions in crash involvements relative to the older driver comparison groups. CONCLUSIONS: States that adopt a basic GDL law can expect a decrease of 8 to 14 percent in the proportion of 16- and 17-year-old drivers involved in fatal crashes (relative to 21- to 25-year-old drivers), depending upon their other existing laws that affect novice drivers, such as those used in these analyses. This finding is consistent with recent national studies that used different outcome measures and covariates. The results of this study provide additional support for states to adopt, maintain, and upgrade GDL systems to reduce youthful traffic crash fatalities.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,271
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations67
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTraffic Injury PreventionMême sujetTraffic and Road SafetyTravaux en français237 207