Severity Analysis of Wildlife–Vehicle Crashes using Generalized Structural Equation Modeling
Notice bibliographique
Résumé
Each year, thousands of wildlife–vehicle crashes (WVCs) occur in North America with negative effects on wildlife welfare, human health, and the economy. Although previous studies have investigated factors related to WVC frequency, limited research has been conducted on factors affecting WVC severity. Using more than 10,000 WVCs occurring in the province of Saskatchewan (Canada), this study investigated the severity outcomes of WVCs and their influencing factors, using structural equation modeling (SEM) with generalized (ordered probit) links. Compared with traditional severity analysis techniques, SEM offers the added advantage of representing, estimating, and testing complex modeling structures that include both measured and latent (unmeasured) variables. Three latent variables were introduced in this study: driver’s speeding attitude (SA), driver’s visibility impairment (VI), and crash severity. Measured variables obtained from crash records were included in the SEM to define latent constructs, and the resulting network of relationships was tested. The results showed that crash data supported the model hypothesis well, and the measured/latent variables adequately predicted crash severity. Overall, SA and VI were demonstrated to positively affect crash severity with SA being the most influential factor. Moreover, it was demonstrated that road surface condition was the most influential factor of the SA measurement model, and weather condition was the most influential factor with respect to VI. Finally, a comparison between generalized SEM results and traditional crash severity modeling using ordered probit links was conducted. Similarities and differences between these two approaches were discussed at the end of the study.
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 | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».