Generalized Estimating Equation Model Based Recursive Partitioning: Application to Distracted Driving
Notice bibliographique
Résumé
Traditional statistical methods have used a coarse aggregation of data across subjects that may not be representative of any single individual. Even though Generalized Estimating Equations procedure extends generalized linear model to allow for analysis of repeated measurements or other correlated observations, the nonlinear relationship between independent variables and dependent variable could significantly hinder the model’s performance. In this study, we propose Generalized Estimating Equation based tree model that combines the advantages of both models by separating the data set recursively into subsets with significantly different parameter estimates. For the best application of the proposed model, distracted driving on intersection is analyzed in this study. Previous studies have focused on evaluating the singular effect of individual geometry and human characteristic variables on driving behaviors. Interactions between variables associated with red-light running (e.g., cell phone usage, cell phone interface, and driver age groups) present different levels of distraction on red-light running. As an indicator of the sensitivity to distractions (referring to the distance being an impairment due to a secondary task), the drivers’ distance to the intersection onset of yellow interval is partitioned into two groups (i.e., close and far distance) that maximally differentiate the distraction behavior. Proposed cell phone impact zones produce more significant impacts of distraction on red-light running, compared against dilemma zone. We identify interactions that are sensitive to red-light running and different as a function of the level of the speed and yellow interval duration. Drivers are more vulnerable to cell phone distractions when their location is near the stop line of the intersection at onset of yellow interval.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».