Estimating Potential Effect of Speed Limits, Built Environment, and Other Factors on Severity of Pedestrian and Cyclist Injuries in Crashes
Notice bibliographique
Résumé
Road facilities in urban areas are a major source of injury for nonmotorized road users despite the benefits of nonmotorized transportation. In particular, large Canadian cities such as Montreal face serious problems with pedestrian and cyclist safety. To address these problems, funds are continually allocated through different safety improvement programs such as reduction of speed limits, improvement of intersections, and increased traffic enforcement. However, few analytical tools help to identify and quantify the benefits of countermeasures (e.g., roadway design, speed management strategies, or land use policies) in reducing accident frequency and severity. Injury severity models were developed to determine the effects of road design, built environment, speed limits, and other factors (e.g., vehicle characteristics and movement type) on injury severity levels of pedestrians and cyclists involved in collisions with motor vehicles. Sources of data included police reports describing vehicle–pedestrian and vehicle–cyclist collisions, as well as information on land use, transit network, and road design attributes from the city of Montreal. The impacts of road design, land use, built environment, and other strategies on the injury severity levels of vulnerable road users were investigated. Factors such as darkness, vehicle movement, whether an accident occurred at an intersection, vehicle type, and land use mix affected the severity of pedestrian injuries from collisions. For cyclists, however, only vehicle movement and whether the accident occurred at a signalized intersection had significant effects on the severity of the injury.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».