Crowdsourced bicycling crashes and near misses: trends in Canadian cities
Notice bibliographique
Résumé
Safety concerns are a barrier to increasing bicycling. BikeMaps.org, a tool for crowdsourcing bicycling collisions, near misses, and falls, offers rich data on local bicycling safety concerns. Our goal is to characterize dominant bicycling safety issues reported in nine Canadian cities. We analyzed 2,513 BikeMaps.org reports (522 collisions, 151 falls, 1840 near misses), and summarized the types of incidents reported, ratios of near misses to collisions by incident type and by city, and injuries resulting from various types of crashes. Incidents categorized as a ‘dangerous pass, overtake at midblock’, were most commonly reported and had the highest ratio of near misses to collision reports (9:1). Cities with a high commute mode share for bicycling had lower near miss to collision reporting ratios. Overall, 40.3% of reported collisions or falls required medical treatment. Incident types with the most severe outcomes were ‘left cross at an intersection’ (58.4% reported needing medical treatment); ‘vehicles failing to stop at intersection or yield to bike’ (54.0%); and ‘multi-use paths, vehicle conflicts at intersection’ (48.5%). Mitigating conditions leading to real or perceived concerns over dangerous passes by vehicles should improve bicycling comfort. Bicycling injuries will be reduced by safety improvements at intersections including those with multi-use paths.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».