Identifying Optimal High-Risk Driver Segments for Safety Messaging
Notice bibliographique
Résumé
Given the public safety risk posed by high-risk drivers, most traffic safety agencies consider this group a key target for strategic planning purposes. The aim of this research was to develop a framework that could be used to efficiently and effectively target high-risk drivers. The specific objectives were to establish whether high-risk drivers were homogeneous and if not, to determine the optimal set of primary and secondary clusters for efficient and effective targeting with minimal resources. The study area was Saskatchewan, Canada. Multiple databases (including traffic collisions, insurance claims, and conviction data) formed the basis for the research. In this study, high-risk drivers were defined as all drivers who were enrolled both in the Driver Improvement Program of Saskatchewan Government Insurance and in the negative or penalty zone of Saskatchewan Government Insurance's safety driver rating scale as a result of accumulated demerit points. Geodemographic modeling with the neighborhood as the unit of analysis, a large number of variables, and a set of probabilistic clustering techniques were used in the analysis. The results indicated that the high-risk driver group was heterogeneous; it fell into subclusters with varying collision and traffic behavior profiles. The study found that Saskatchewan high-risk drivers were mainly in the major cities (56%) but also in rural municipalities (18%) and towns (15%). The optimal primary high-risk segments for efficient targeting were those major cities and towns where both the risk of collision involvement and the concentration of high-risk drivers were higher than the driver population. Drivers in the primary target area for messaging showed higher levels of distracted, impaired, and aggressive driving behaviors; driver inexperience; extreme fatigue; falling asleep behind the wheel; and inattention.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».