MétaCan
Menu
Retour à la cohorte
Enregistrement W4319291052 · doi:10.1002/14651858.cd003300.pub3

Graduated driver licensing for reducing motor vehicle crashes among young drivers

2011· article· en· W4319291052 sur OpenAlexaffabout
Kelly Russell, Ben Vandermeer, Lisa Hartling

Notice bibliographique

RevueCochrane Database of Systematic Reviews · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCINAHLCrashPoison controlInjury preventionMEDLINEMedicineHuman factors and ergonomicsPopulationOccupational safety and healthComputer scienceEnvironmental healthPsychological interventionPolitical scienceNursing

Résumé

récupéré en direct d'OpenAlex

Background Graduated driver licensing (GDL) has been proposed as a means of reducing crash rates among novice drivers by gradually introducing them to higher risk driving situations. Objectives To examine the effectiveness of GDL in reducing crash rates among young drivers. Search methods Studies were identified through searching MEDLINE, EMBASE, CINAHL, Healthstar, Web of Science, NTIS Bibliographic Database, TRIS Online, SIGLE, the World Wide Web, conference proceedings, consultation with experts and reference lists in relevant published literature. The searches were conducted from the time of inception to May 2009, and the Cochrane Injuries Group conducted an updated search of the TRANSPORT database in September 2009. Selection criteria Studies were included if: 1) they compared outcomes pre‐ and post‐implementation of a GDL program within the same jurisdiction, 2) comparisons were made between jurisdictions with and without GDL, or 3) both. Studies had to report at least one objective, quantified outcome. Data collection and analysis Results were not pooled due to substantial heterogeneity. Percentage change was calculated for each year after the intervention, using one year prior to the intervention as baseline. Results were adjusted by internal controls. Analyses were stratified by denominators (population, licensed drivers). Results were calculated for the different crash types and presented for 16 year‐olds alone as well as all teenage drivers. Main results We included 34 studies evaluating 21 GDL programs and 2 analyses of >40 US states. GDL programs were implemented in the US (n=16), Canada (n=3), New Zealand (n=1), and Australia (n=1) and varied in their restrictions during the intermediate stage. Based on the Insurance Institute for Highway Safety (IIHS) classification, eleven programs were good, four were fair, five were marginal, one was poor and two could not be assessed. Reductions in crash rates were seen in all jurisdictions and for all crash types. Among 16 year‐old drivers, the median decrease in per population adjusted overall crash rates during the first year was 15.5% (range ‐27 to ‐8%, five studies). There was a decrease in per population adjusted injury crash rates (median ‐21%, range ‐46 to ‐2%, five studies). Results for all teenage drivers, rates per licensed driver, and rates adjusting for internal controls were generally reduced when comparing within jurisdictions. Authors' conclusions GDL is effective in reducing crash rates among young drivers, although the magnitude of the effect varies. The conclusions are supported by consistent findings, temporal relationship, and plausibility of the association. Stronger GDL programs (i.e. more restrictions or higher quality based on IIHS classification) appear to result in greater fatality reduction. Future studies should focus on which components and combination of components yield the greatest reductions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,243
Score d'incertitude au seuil0,959

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,267
Écart entre enseignants0,209 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
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

Citations64
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCochrane Database of Systematic ReviewsMême sujetTraffic and Road SafetyTravaux en français237 207