MétaCan
Menu
Retour à la cohorte
Enregistrement W378382040 · doi:10.3141/2514-02

Level of Service of Safety Revisited

2015· article· en· W378382040 sur OpenAlexaboutno aff
Jake Kononov, Catherine Durso, Craig Lyon, Bryan K. Allery

Notice bibliographique

RevueTransportation Research Record Journal of the Transportation Research Board · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTransport engineeringBlueprintRegression toward the meanPopulationLevel of serviceDocumentationService (business)Operations researchComputer scienceEngineeringBusinessStatisticsMarketingMathematicsMedicine

Résumé

récupéré en direct d'OpenAlex

The concept of the level of service of safety (LOSS) was developed at the Colorado Department of Transportation in 2000. LOSS reflects how a roadway segment or an intersection is performing in reference to the expected frequency and severity of crashes predicted by its safety performance function. The LOSS concept provides quantitative assessment and qualitative description of the degree of safety of a segment or an intersection. In addition, the loss concept facilitates effective communication about safety problems to other professionals, the traveling public, and elected officials. The LOSS concept was first introduced in a paper titled “Level of Service of Safety: Conceptual Blueprint and Analytical Framework,” published in 2003 in the Transportation Research Record: Journal of the Transportation Research Board, No. 1840. LOSS was incorporated into the first edition of the AASHTO Highway Safety Manual and is used by the Departments of Transportation of Colorado, Louisiana, Montana, Oklahoma, and Wyoming and the Ontario Ministry of Transport, in Canada. LOSS lends itself well to the safety decision-making process in departments of transportation. However, the concept did not initially address correction for the regression to the mean bias. A new method is introduced for using LOSS in concert with correction for regression to the mean bias with an empirical Bayes procedure. In addition, distributional assumptions associated with LOSS are revisited, how the LOSS boundaries are calibrated in the population corrected for the regression to the mean bias is explained, and an intuitive percentile-based reporting method is provided. Finally a diagnostic example and a before-and-after study demonstrating the value of LOSS in identifying the safety problem at a real location are worked through.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,165

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,017
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0020,018
Communication savante0,0090,012
Science ouverte0,0020,005
Intégrité de la recherche0,0030,012
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,214
Tête enseignante GPT0,377
Écart entre enseignants0,164 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

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

En bref

Citations12
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransportation Research Record Journal of the Transportation Research BoardMême sujetTraffic and Road SafetyTravaux en français237 207