Relative Crash Involvement Ratio Associated with Different Sources of Young Drivers’ Distraction
Notice bibliographique
Résumé
This paper aims to identify crash risk factors associated with young drivers’ distractions. Many factors were implicated including using mobile phones while driving or driving with passengers. Data needed for this study were collected from an online questionnaire survey. Beside young drivers’ distraction data, records on drivers’ demographics including age, gender and educational level were collected. Safety-related data on seat belt use were also collected. Each of the variables, contributing to young drivers’ distraction, safety, and educational level, was sorted into four categories according to young driver age (≤18, 19-22, 23-26, and 27-30 years old). The Relative Crash Involvement Ratio (RCIR) was estimated using the Quasi Induced Exposure Method (QIEM) using Microsoft Excel 2007. The results were then exported to the Statistical Package for Social Science Version 19 software. Paired t-test and ANOVA analysis were used to find the statistical significance in the RCIR values. Among the general findings, five outcomes were most prominent. The higher the educational level, the less likely young drivers would get involved in a crash. Young drivers ≤18 years old were almost 4.5 times more likely to get involved in a crash when 3 passengers travelled with them compared to 27-30 year-old drivers. Young drivers of all age groups were more likely to get involved in a crash when using mobile phones. Crash risk was reduced by up to 83 % when young drivers stopped using their mobile phone while driving. Crash risk was reduced by up to 93.43 % when young drivers used seat belt while driving. Finally, countermeasures to improve young drivers’ safety were proposed.
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 | 0,005 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».