3E.002 Identifying modifiable factors related to novice driver fault in motor vehicle collisions
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
<h3>Background</h3> Motor vehicle collision is a leading cause of injury and mortality in teens. Graduated drivers licensing (GDL) is a common practice to help mitigate risk associated with younger and inexperienced drivers. However, gaps and inconsistencies exist across regions in how restrictive GDL rules are. <h3>Methods</h3> This study used police collision report data from Alberta, Canada for the years 2010–2016. An automated, previously validated, culpability analysis tool was applied to collisions involving drivers between 16 and 19 years of age to score fault. Factors that increase odds of fault in all-collisions were identified using logistic regression. <h3>Results</h3> There were 45,938 motor vehicle collisions involving young drivers. of these, approximately 71% of young drivers were identified as at-fault. Crude analyses indicate that driving between 2300 hrs and 600 hrs increase odds of being at-fault (OR= 1.39; 95% CI: 1.27–1.51). Odds of being at-fault in collision were lower with the presence of an adult passenger over 20 years of age (OR= 0.62; 95% CI: 0.57–0.67) or a single peer of similar age (OR= 0.90; 95% CI: 0.83–0.97). Other passenger categories (younger passenger or multiple teens) were not significantly associated with young driver culpability. <h3>Conclusion</h3> Passenger type and time of day may both be contributing to young driver fault in collisions. Future directions include multivariable analysis as well as analysis on teen driver fault in severe injury collisions. <h3>Learning Outcomes</h3> There exists a potential opportunity for policy regulations that may modify or reduce exposure to factors contributing to teen driver culpability in motor vehicle collisions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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