Impact of limited rest areas on truck driver crashes in Saskatchewan: a mixed-methods approach
Notice bibliographique
Résumé
BACKGROUND: Long-haul truck drivers (LHTDs) suffer from long work hours often resulting in fatigue. Although several studies have reported that fatigue can contribute to crashes, no study has identified the location and patterns of fatigue-related crashes and solicited truck driver feedback on potential mitigation strategies. The purpose of this study is 1) to map the location of fatigue-related crashes and 2) examine the perceptions of truck drivers concerning fatigue-related crashes. METHODS: Using databases from the Saskatchewan Government Insurance, information on LHTD demographics, crashes and their causes, as well as crash location was analyzed. All fatigue-related crashes were then documented and mapped. Additionally, we interviewed 67 LHTDs (mean age = 53.0 ± 12.9; range 23-89; 95% were men) asking questions about fatigue, access to truck stops/rest areas, and provided recommendations for improvement. All interviews were subsequently analyzed using thematic analyses. RESULTS: On average, there were 20 fatigue-related crashes per year over the 10-year period. Fatigue-related crashes were common across Saskatchewan, however, there was a concentration of crashes along major roadways between major cities. There was a significant association between crashes with age and experience. Despite many LHTDs being fatigued, there was a lack of truck stops/rest areas along highway routes. LHTDs suggested having access to truck stops/rest areas 250-400 km apart with running water and washrooms available. CONCLUSIONS: Additional truck stops and rest areas are needed in Saskatchewan to ensure LHTDs have more opportunities for rest to reduce fatigue in general, as well as to reduce the risk of fatigue-related 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».