An Analysis of the Effects of Crash Factors and Precrash Actions on Side Impact Crashes at Unsignalized Intersections
Notice bibliographique
Résumé
Annually, side impact crashes contribute to a significant proportion of road fatalities. These crashes typically occur as a result of traffic violations at intersections. This study contributes to efforts in addressing side impact crashes at unsignalized intersections by performing a path analysis to unravel some behavioral trajectories through which these crashes occur. The study further investigated how these behavioral pathways influence the severity of the crashes. Crashes that occurred at unsignalized four-way intersections and T-junctions in Alabama were used for model estimations. Three precrash actions, failed to yield right-of-way at the stop sign, failed to yield right-of-way at a turn, and running stop sign, were considered. The model estimation results reveal that some of the crash factors were more associated with certain precrash factors but not others at either four-way intersections or T-junctions or both. It was observed that side impact crashes that occurred under daylight conditions at four-way intersections, for instance, were less likely to involve running a stop sign but more likely to involve failure to yield at the stop sign and failure to yield right-of-way at a turn, but under dark and unlit roadway conditions, the at-fault drivers were more likely to run a stop sign or fail to yield at a stop sign but less likely to be involved in failure to yield right-of-way at a turn. This approach to injury severity analysis uncovers complex underlying relationships between precrash actions, other contributing factors, and crash outcomes.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».