Collision and Violation Involvement of Drivers Who Use Cellular Telephones
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».