Empirical Bayes Before-After Study to Develop Crash Modification Factors and Functions for High Friction Surface Treatments on Curves and Ramps
Notice bibliographique
Résumé
The intent of the study was to fill a knowledge void by developing high quality crash modification factors (CMFs) and benefit/cost (B/C) ratios for high friction surface treatment (HFST). The state-of-the-art empirical Bayes (EB) before-after methodology was applied to evaluate the effects of this treatment on crashes of various types using data from West Virginia (curve sites), Pennsylvania (curve sites), Kentucky (curve and ramp sites), and Arkansas (ramp sites). The results for curve sites generally indicate substantial and highly significant safety benefits. This is especially so for the primary crash types targeted by HFST programs: run-off-road, wet road, and head-on side-swipe opposite direction crashes (HOSSOD). The results for ramp sites were inconsistent, with substantial benefits for all crashes and injury crashes for Kentucky, negligible effects for these crashes in Arkansas, and substantial and highly significant reductions in wet weather crashes in both states. A disaggregate analysis of the CMF results for curve sites indicated a logical and consistent relationship between CMFs and three variables: friction improvement, traffic volume, and expected crash frequency before treatment. These variables, and an innovative methodology, were used in developing crash modification functions (CMFunctions) that can be applied to determine where, and under what conditions, the treatment can be used most effectively. Such functions are typically not provided for the vast majority of treatments for which CMFs are available, so, in itself, developing them is a significant contribution of this research.
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 | 0,076 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».