The application of latent class analysis for investigating influential factors for crashes involved cyclists in Toronto, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The heterogenous nature of crash data has always been a challenging barrier in interpreting data processing results and in unrevealing the hidden relationships between crash contributing factors. Traffic researchers aim to eliminate the interruption of insignificant factors , identify influential factors and sort out complicated logic relationships among those factors. Understanding the influential factors leading to traffic accidents is essential for designing effective countermeasures. A method commonly employed to address systematic heterogeneity in crash data is to focus on each subgroup of data. However, this approach neglects the independent relationships among factors, and does not ensure homogeneity within each subgroup. In this project, Latent Class Cluster analysis is applied to segment a whole cyclist crash dataset into homogenous subgroups with meaningful influential factors. The manuscript employs data from recorded crashes involving cyclists from 2008 to 2018 by the police in Toronto, Canada. The analyses demonstrate that dividing cyclists’ crash data into seven clusters most efficiently helps in reducing the systematic heterogeneity of the data and aids in understanding the relationships between socio-demographic characteristics, environmental characteristics, maneuver-related characteristics etc. and further identifying determining reasons for the crashes involving cyclists . Based on the clustering results, some significant factors are studied in detail along with socio-economic backgrounds and some countermeasures are proposed. Overall, this study suggests that a latent class clustering approach is suitable for reducing heterogeneity and revealing important hidden relationships in traffic safety analyses.
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.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle