Modeling Injury Severity of Unconventional Vehicle Occupants: Hybrid of Latent Segments and Random Parameters Logit Models
Notice bibliographique
Résumé
Road safety research in developing countries has evolved in two categories: (a) crash frequency prediction modeling and (b) injury severity analysis. In injury severity analysis, the focus is to identify the influential factors for different injury severity categories. However, limited research has been undertaken in this domain, especially to assess the injury severity of the occupants of unconventional vehicles (UVOs) (including both human-pulled and engine-operated vehicles). This study investigates the injury severity of UVOs in Dhaka, Bangladesh adopting a hybrid of latent segments and random parameters logit (LSRPL) models. The model is developed utilizing police-reported collision records for the years 2011–2015. The LSRPL model captures multi-dimensional heterogeneity by allocating victims into discrete latent segments (i.e., inter-segment heterogeneity) and allowing a continuous distribution of parameters within the segments (i.e., intra-segment heterogeneity). The model is estimated for two segments using victim and crash attributes, where segment one is lower risk and segment two is higher risk. The model results suggest that victim and driver profiles, crash attributes, environmental factors, road network attributes, transportation infrastructure, and land use attributes influence the injury severity of UVOs. The model confirms the existence of significant inter-segment heterogeneity. For example, mid-block crashes are more likely to result in severe injury in higher-risk segments, and less likely to result in severe injury in lower-risk segments. The model further confirms intra-segment heterogeneity for areas with higher levels of mixed land use. For example, for mid-block crashes, higher mixed land use shows a significantly lower mean in high-risk segments, revealing lower likelihood of sustaining severe injury.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».