Comparison of Factors Affecting Crash Severities in Hit-and-Run and Non-Hit-and-Run Crashes
Notice bibliographique
Résumé
A hit-and-run (HR) crash occurs when the driver of the offending vehicle flees the crash scene without reporting it or aiding the victims. The current study aimed at contributing to existing literatures by comparing factors which might affect the crash severity in HR and non-hit-and-run (NHR) crashes. The data was extracted from the police-reported crash data from September 2017 to August 2018 within the City of Chicago. Two multinomial logistic regression models were established for the HR and NHR crash data, respectively. The odds ratio (OR) of each variable was used to quantify the impact of this variable on the crash severity. In both models, the property damage only (PDO) crash was selected as the reference group, and the injury and fatal crash were chosen as the comparison group. When the injury crash was taken as the comparison group, it was found that 12 variables contributed to the crash severities in both HR and NHR model. The average percentage deviation of OR for these 12 variables was 34%, indicating that compared with property damage, HR crashes were 34% more likely to result in injuries than NHR crashes on average. When fatal crashes were chosen as the comparison group, 2 variables were found to be statistically significant in both the HR and the NHR model. The average percentage deviation of OR for these 2 variables was 127%, indicating that compared with property damage, HR crashes were 127% more likely to result in fatalities than NHR crashes on average.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».