Time Lost by Driving Fast in the United States
Notice bibliographique
Résumé
BACKGROUND: Motor vehicle drivers make decisions about speed while traveling and thereby trade off a potential saving from shorter travel time (if the trip is uneventful) against a potential loss of time (if the trip results in a crash). METHODS: The authors used computerized modeling based on national data to examine the benefits from small changes in average driver speed on public health in the United States. Lost time due to both travel and crashing was calculated, along with optimal speed to minimize net time lost. RESULTS: The baseline analysis suggested that 1 hour spent driving was associated with approximately 20 minutes of additional lost time in life expectancy due to the potential of a crash. A approximately 1-km/h (0.6-mph) increase in speed for the average driver yielded a approximately 26-second approximate increase (not decrease) in total expected lost time because the savings from reduced travel time were more than offset by the increased prospect of a crash. A 3.0-km/h (1.8-mph) decrease in average driving speed yielded the least amount of total time lost (95% confidence interval [CI]: 2.5-4.1 km/ h [1.5-2.5 mph]). This speed yielded about 11,000 fewer crashes each day, saved about 3.6 hours per year for the average driver (95% CI: 2.0-6.2 hours), and conserved about 199 cumulative life years for society annually. CONCLUSIONS: As a nation, drivers in the United States travel slightly too fast and could improve overall life expectancy by decreasing their average speed slightly.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».