Detailed Analysis of Pedestrian Casualty Collisions in Victoria, Australia
Notice bibliographique
Résumé
OBJECTIVE: Pedestrian road trauma is significant in Australia and requires in-depth understanding to improve or inform new countermeasures. Analyses on single data sources can be limited. This study investigated demographic, behavioral, environmental, and collision characteristics of pedestrian injury in Victoria, Australia, over a 5-year period using multiple data sources. METHODS: Victorian state police, hospital presentation, hospital admission, and coronial data sets were analyzed and compared for the years 2004 to 2008. RESULTS: Analyses identified 3,702 police-recorded pedestrian casualties (deaths and injuries, of which 256 were deaths), 5,008 pedestrian traffic-related hospital presentations, and 2,802 pedestrian admissions. Trend analyses showed significant increases in police casualty and hospitalization rates per 100,000 population. Age groups most commonly involved were those aged 18-24 especially on weekends, 75+ especially on weekday days, and 13- to 17-year-olds especially at school commute times. Proportionally more cases were male in all data sets. One quarter of coroner-examined deaths involved alcohol and one third involved drugs. Two thirds of police-recorded casualties occurred on weekdays, and 45% of weekend casualties occurred at night. Most casualties occurred in urban areas (95%), in lower-speed zones (78%); however, 79% of rural casualties occurred in high-speed zones, of which more were fatal. Over half did not occur at intersections. The most common injuries were fractures as well as multiple injuries, which together with intracranial injuries, were most common among fatalities (50 and 34%, respectively). Serious injury was more likely in older pedestrians, in males, in rural areas, in 60-80 km/h zones, in areas with poor lighting, while crossing a carriageway, not at an intersection, and when struck by a heavy vehicle. CONCLUSIONS: Findings indicate pedestrian serious injury rates are increasing and identify targets for countermeasures. Inherent limitations present in each relevant data collection require mutliple data sets to be explored and results contrasted. Jurisdictions seeking to determine pedestrian injury risk factors should aim to link police and hospital data for a complete analysis.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».