Methodological considerations in MVC epidemiological research
Notice bibliographique
Résumé
BACKGROUND: The global burden of MVC injuries and deaths among vulnerable road users, has led to the implementation of prevention programmes and policies at the local and national level. MVC epidemiological research is key to quantifying MVC burden, identifying risk factors and evaluating interventions. There are, however, several methodological considerations in MVC epidemiological research. METHODS: This manuscript collates and describes methodological considerations in MVC epidemiological research, using examples drawn from published studies, with a focus on the vulnerable road user population of children and adolescents. RESULTS: Methodological considerations in MVC epidemiological research include the availability and quality of data to measure counts and calculate event rates and challenges in evaluation related to study design, measurement and statistical analysis. Recommendations include innovative data collection (eg, naturalistic design, stepped-wedge clinical trials), combining data sources for a more comprehensive representation of collision events, and the use of machine learning/artificial intelligence for large data sets. CONCLUSIONS: MVC epidemiological research can be challenging at all levels: data capture and quality, study design, measurement and analysis. Addressing these challenges using innovative data collection and analysis methods is required.
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 | 0,754 | 0,870 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,010 | 0,014 |
| Études des sciences et des technologies | 0,005 | 0,014 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,009 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».