MétaCan
Menu
Retour à la cohorte
Enregistrement W3010115593 · doi:10.1155/2020/5868379

Factors Affecting Crash Involvement of Commercial Vehicle Drivers: Evaluation of Commercial Vehicle Drivers’ Characteristics in South Korea

2020· article· en· W3010115593 sur OpenAlexvenueno aff
Jooyoung Lee, Jiho Yeo, Ilsoo Yun, Sanghyeok Kang

Notice bibliographique

RevueJournal of Advanced Transportation · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensnon disponible
Organismes subventionnairesIncheon National University
Mots-clésCrashTaxisTruckTransport engineeringCommercial vehicleVehicle typeLogistic regressionPoison controlEngineeringComputer scienceAutomotive engineeringEnvironmental healthMedicine

Résumé

récupéré en direct d'OpenAlex

The aim of this study was to evaluate the effects of driver-related factors on crash involvement of four different types of commercial vehicles—express buses, local buses, taxis, and trucks—and to compare outcomes across types. Previous studies on commercial vehicle crashes have generally been focused on a single type of commercial vehicle; however, the characteristics of drivers as factors affecting crashes vary widely across types of commercial vehicles as well as across study sites. This underscores the need for comparative analysis between different types of commercial vehicles that operate in similar environments. Toward these ends, we analyzed 627,594 commercial vehicle driver records in South Korea using a mixed logit model able to address unobserved heterogeneity in crash-related data. The estimated outcomes showed that driver-related factors have common effects on crash involvement: greater experience had a positive effect (diminished driver crash involvement), while traffic violations, job change, and previous crash involvement had negative effects. However, the magnitude of the effects and heterogeneity varied across different types of commercial vehicles. The findings support the contention that the safety management policy of commercial drivers needs to be set differently according to the vehicle type. Furthermore, the variables in this study can be used as promising predictors to quantify potential crash involvement of commercial vehicles. Using these variables, it is possible to proactively identify groups of accident-prone commercial vehicle drivers and to implement effective measures to reduce their involvement in crashes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,255
Écart entre enseignants0,219 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTraffic and Road SafetyTravaux en français237 207