MétaCan
Menu
Retour à la cohorte
Enregistrement W3151457843 · doi:10.1097/ede.0b013e31828c4663

Cell Phone Use and Crash Risk

2013· letter· en· W3151457843 sur OpenAlexaboutno aff
David G. Kidd, Anne T. McCartt

Notice bibliographique

RevueEpidemiology · 2013
Typeletter
Langueen
DomainePsychology
ThématiqueHuman-Automation Interaction and Safety
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPhoneMobile phoneCrashEpidemiologyPoison controlAffect (linguistics)EconometricsComputer scienceMedicineEnvironmental healthPsychologyTelecommunicationsMathematics

Résumé

récupéré en direct d'OpenAlex

To the Editor: Young1 attempted to correct for a potential bias in early epidemiological studies of cell phone use and crash risk. Concerns with his analyses have been raised, including an incorrect assumption that people talk on phones only while driving. In response, Young2,3 conducted two reanalyses that substantially revise his original correction method by (1) refining the estimates of driving inconsistency and (2) adding a new correction ratio to account for the prevalence of phone use during periods of driving and nondriving. Based on these reanalyses, Young concludes there is no increase in crash risk with phone use (adjusted risk ratio = 1.292 and 1.13). However, his reanalyses are based on data that are not comparable with the epidemiological study samples, which greatly affect the validity of his corrected estimates. The new correction ratio of Young2,3 is based on data from several studies of US drivers and wireless subscribers. These studies provide reasonable estimates of cell phone use in the United States, but not necessarily the epidemiological study populations. Young’s data on US phone use are much more recent (2009–2010) than the epidemiological study data (1994–1995 and 2002–2004), even though cell phone use has changed over time. Moreover, handheld cell phone use was prohibited during the more recent epidemiological study, but not in the earlier Canadian study or in most US states. Evidence shows that handheld cell phone bans reduce use during driving. Even small inaccuracies in Young’s estimates can greatly affect conclusions drawn from the correction ratio. For example, Young estimates the average duration of cell phone conversations at 1.17 minutes using 2009–2010 US data,4 but the same data show that the average cell phone conversation during the more recent epidemiology study period was 2.95 minutes. When the latter value is used in Young’s correction ratio equation without other changes, the adjusted crash risk ratio increases from 1.29 to 2.5. Compounding possible problems with the precision of Young’s estimates is that some are inexplicably inconsistent in his two reanalyses. He uses different estimates of the prevalence of phone use while driving (11% and 6.7%), driving consistency (20% and 15%), and total hours in the day when a phone could be used (11 and 24 hours). In conclusion, Young is correct that estimates of crash risk associated with phone use from early epidemiological studies may not have accounted sufficiently for driving inconsistency. His original correction to these estimates was flawed, and his revised corrections exacerbate rather than remove these flaws. ACKNOWLEDGMENTS We thank our colleague David Zuby who contributed with helpful feedback. David G. Kidd Insurance Institute for Highway Safety Arlington, VA [email protected] Anne T. McCartt Insurance Institute for Highway Safety Arlington, VA

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesIntégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,083
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0500,022

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.

Tête enseignante Opus0,096
Tête enseignante GPT0,375
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEpidemiologyMême sujetHuman-Automation Interaction and SafetyTravaux en français237 207