Road traffic injuries in Nepal during COVID-19 lockdown
Notice bibliographique
Résumé
<ns3:p> <ns3:bold>Background:</ns3:bold> As the world is busy addressing COVID-19, road traffic injuries, another major cause of deaths is continuously killing people on the roads. In Nepal, there were frequent media reports of occurrences of road crashes, injuries, and deaths despite nationwide lockdown. This paper aims to describe the situation of road traffic crashes and casualties during the period of complete lockdown. </ns3:p> <ns3:p> <ns3:bold>Methods:</ns3:bold> This study used secondary data from two sources: Nepal Police and media reports between 24 March and 14 June 2020 (because the government lifted the nationwide lockdown from 15 June 2020). Available details of crashes, deaths, and injuries for this period were extracted from media reports and the summary data that was obtained from the Police. Narrative comparison is done between the data for the same period from both the sources, where possible. </ns3:p> <ns3:p> <ns3:bold>Results:</ns3:bold> Nepal Police recorded 1,801 incidents of road crashes during the 82 days of the COVID-19 lockdown with 256 deaths (on average 3.1 deaths daily) and 1,824 injuries (on average 22.2 injuries daily). Motorcycles comprised over 21% of all vehicles involved in crashes. Ambulances and other vehicles for essential services were also found to be involved in crashes. Speeding itself was the cause for almost a quarter of the incidents during the lockdown. </ns3:p> <ns3:p> <ns3:bold>Conclusions:</ns3:bold> Even when the movement restrictions were imposed in Nepal, the number of road crashes was not substantially reduced. Media reports were mainly found to be reporting the crashes where deaths occurred, but police records also included nonfatal injuries. The incidence of crashes in this period shows that it is important to work for road safety to save lives from road traffic crashes in Nepal. </ns3:p>
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».