Notice bibliographique
Résumé
Traffic collisions represent a major problem on a worldwide basis. Every year, over 1.2 million people die in traffic collisions across the world and between 20 and 50 million are injured or disabled. In most regions of the world this epidemic of road traffic injuries is still increasing. Highway agencies all over the world are paying more and more attentions on highway safety. Highway safety has been taken into account seriously during the project programming and implementation in British Columbia Ministry of Transportation and Infrastructure, Canada (BCMOTI). This article describes the BCMOTI highway safety practice, which includes general safety analysis procedure to identify the safety problems, the improvement option generation, and economic analysis for improvement options. Historically, collision rates have been used as the basis for safety analysis. Research has shown that there are limitations with this approach due to the non-linear relationship between collision frequency and exposure. Collision prediction modeling is the recommended technique for estimating road safety in the American Association of State Highway and Transpiration Officials (AASHTO) Highway Safety Manual. The BCMOTI developed her own collision prediction models (CPMs) and collision modification factors (CMFs) to be used to assess highway safety improvements on British Columbia highways. It is believed that the CPMs and CMFs have improved the overall safety performance estimate (safety benefits) for road safety analysis and these outputs serve a valuable purpose with respect to option selection, project ranking and programming.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 0,011 |
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 ».