Human Factors Issues of Accidents at Passively Controlled Rural Level Crossings
Notice bibliographique
Résumé
Collisions between road vehicles and trains at passively controlled level crossings, where no indication is given to drivers of the presence (or absence) of an approaching train, raise important human factors safety concerns. A database search of Canadian level crossing crash data for the 10-year period between 2003 and 2012 and a targeted review of the scientific research literature were conducted to explore the human factors and related risks involved in crashes of this nature. Accidents at passively controlled, rural level crossings where the driver of the road vehicle did not stop constituted 15% of all level crossing crashes. Statistical analysis revealed that this type of accident was most likely to occur in prairie provinces, during daylight hours, and to involve a disproportionate number of heavy vehicles. Nine human factors issues were identified. Four affected driver detection of an approaching train, including sightlines, train conspicuity, unchanging retinal image, and train horn audibility. Five issues related to driver decision making, including looked-but-failed-to-see errors, faulty activation of schema–mental model, distraction, impairment, and information processing. These issues were overlaid across four previously proposed driver approach zones at passive level crossings. Analysis of countermeasures designed for application within the approach zone, which began at the decision sight distance point, revealed several potential countermeasures, including the observation that current minimum sightline guidelines for passive level crossings might not have been adequate to ensure that drivers have sufficient time to assess the threat posed by an approaching train from both directions and to respond appropriately.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».