Determinants of Bicyclist Injury Severity Resulting from Crashes at Roundabouts, Crossroads, and T-Junctions
Notice bibliographique
Résumé
This study explores the contributing factors that influence bicyclist injury severity at three types of intersection: roundabouts, crossroads, and T-junctions. Using bicycle-involved crash data in the UK over nine years (from 2009 to 2017), the bicyclist injury severity (with three severity levels: fatal injury, serious injury, and slight injury) was estimated using the generalized ordered logit (GOL) model and partial proportional odds (PPO) model. The marginal effects of each explanatory variable were computed to investigate the impacts on bicyclist injury severity occurring probabilities. A wide range of variables potentially affecting injury severity was considered, including bicyclist characteristics, intersection characteristics, environmental conditions, bicyclist movement and location preceding the crash, and types of collisions. Our findings show that the PPO model outperforms the GOL model for analyzing the factors that affect the bicyclist injury severity at intersections. The factors that affect cycling safety at various intersections show enormous differences. Specifically, nine variables have significant impacts on bicyclist injury severity at those three types of intersections. And there are only two variables, four variables, and eleven variables that have significant impact on bicyclist injury severity at roundabouts, crossroads, and T-junctions, respectively. The findings of this study can help decision makers better understand the spatial heterogeneity of the factors that influence the bicyclist injury severity at various intersections.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».