Collision and Violation Involvement of Drivers Who Use Cellular Telephones
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The study sample consisted of 3,869 drivers, split approximately 50/50 between observed cell phone users and those observed not using cell phones (labeled "nonusers"). Cell phone use was determined by a snapshot observation made on city streets. The sample represented 54% of those originally observed, for whom a match was obtained for both vehicle license plate and for gender and estimated age group of the observed driver and that of the driver named in the vehicle policy. Data were obtained from records of insurance claims, police-reported collisions and violations, following a strict protocol to protect individual privacy. The dependent measures were at-fault crash claims and "inattention" violations. A logistic regression model controlled for age, gender, exposure (represented by not-at-fault crash claims), alcohol-related offenses, and aggressive driving offenses. The study also involved a comparison of the contributing factors and collision configurations of police-reported collisions involving the users and "nonusers" in the sample. Drivers observed using cell phones had a higher risk of an at-fault crash than did the "nonusers," although the difference was not significant for males. There was no apparent effect on "inattention" violations. The cell phone users also had a higher proportion of rear-end collisions. The violation pattern of cell phone users suggests that they are, in general, riskier drivers. These differences likely reflect lifestyle, attitude and personality factors. It is essential to control for these factors in assessing the direct risk attributable to cellular telephone use.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle