Modeling Vehicle Collision Injury Severity Involving Distracted Driving: Assessing the Effects of Land Use and Built Environment
Notice bibliographique
Résumé
This paper presents the findings of the vehicle occupant injury severity model, particularly focusing on the collisions involving distracted driving. The study develops a latent segmentation-based logit model for analyzing crash injury severity utilizing police-reported collision data from 2007 to 2011 in Nova Scotia, Canada. A segment allocation model is estimated to capture latent heterogeneity based on individual victims’ and drivers’ profiles, and collision attributes including vehicle type, vehicle trajectory, collision object, and collision type. The segment allocation model results suggest the existence of high-risk and low-risk injury severity segments. This study extensively tests the effects of built environment characteristics. The model results suggest that rain, curved road, freeway, and mid-block collisions aggravate vehicle occupant injury severity; whereas, higher land use mix, longer length of sidewalk, and higher population density mitigate injury severity. Significant heterogeneity is found across the high- and low-risk segments. For instance, straight road alignment is found to yield higher injury severity in the high-risk segment and lower severity in the low-risk segment. Moreover, the model unveils the interplay between built environment and distraction type. Driver distraction by communication device increases injury severity at a curved road intersection. Additionally, distraction because of inattentiveness increases injury severity. The findings of this study assist road safety engineers and planners to identify effective countermeasures and awareness programs for reducing the crash injury severity or consequences for vehicle occupants.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».