Does Prior Specification Matter in Hotspot Identification and Before–After Road Safety Studies?
Notice bibliographique
Résumé
This study investigated the effects of prior assumptions in applications of full Bayes methods in road safety analysis. The effect of prior choice was evaluated in the accuracy of model parameters, hotspot identification, goodness of fit, and a treatment effectiveness index in before–after studies. Particular attention was devoted to conditions with a lack of data, which were referenced as the low-mean and small-sample problem. In this research, informative, semi-informative, and noninformative priors were determined on the basis of past published studies. A simulation framework was used to evaluate various scenarios of sample size and crash occurrence mean. Quasi-simulated data were generated on the basis of two empirical databases of divided and undivided rural highway segments in New York and Texas. Various sample mean values were obtained on the basis of time period (number of years) and classifying accidents in fatal–injury and total accidents. The outcomes under low-mean and small-sample conditions were found to be significantly biased. However, the introduction of informative priors can make observational before–after studies feasible when a few observations from treatment or comparison sites are used. Informative priors can help provide more accurate estimates of the effectiveness of the treatment. Finally, in accordance with previous works, the inverse dispersion parameter was significantly affected by prior specifications; nevertheless, regression parameters, goodness of fit, and hotspot identification were less sensitive to prior choices.
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 | 0,288 | 0,614 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».