Bans on Cellphone Use While Driving and Traffic Fatalities in the United States
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
BACKGROUND: As of January 2020, 18 of 50 US states comprehensively banned almost all handheld cellphone use while driving, 3 states and the District of Columbia banned calling and texting, 27 states banned texting on a handheld cellphone, and 2 states had no general cellphone ban for all drivers. However, it remains unknown whether these bans were associated with fewer traffic deaths and whether comprehensive handheld bans are more effective than isolated calling or texting bans. We evaluated whether cellphone bans were associated with fewer driver, non-driver, and total fatalities nationally. METHODS: We conducted a longitudinal panel analysis of traffic fatality rates by state, year, and quarter. Population-based rate ratios and 95% CIs were estimated comparing state-quarters with and without cellphone bans. RESULTS: From 1999 through 2016, 616,289 persons including 344,003 drivers died in passenger vehicle crashes in the United States. Relative to no ban, comprehensive handheld bans were associated with lower driver fatality rates (adjusted rate ratio aRR = 0.93, 95% CI = 0.90, 0.97) but not for non-driver fatalities (aRR = 1.01, 95% CI = 0.95, 1.07) or total fatalities (aRR = 0.98, 95% CI = 0.94, 1.01). We found no differences in driver fatalities for calling-only bans (aRR = 1.00, 95% CI = 0.97, 1.03), texting-only bans (aRR = 1.02, 95% CI = 0.99, 1.05), texting plus phone-manipulating bans (aRR = 0.99, 95% CI = 0.93, 1.04), or calling and texting bans (aRR = 0.98, 95% CI = 0.88, 1.09). CONCLUSIONS: Comprehensive handheld bans were associated with fewer driver fatalities.
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 | 0,001 | 0,001 |
| 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) | 0,003 | 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