Long Term, Pre, and Post Impacts of SARS-CoV-2 Pandemic on Road Traffic Crashes in the Case of Budapest, Hungary
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
SARS-CoV-2 is a pandemic that affects road traffic flaw and crashes globally. This study attempted to compare the situation of road traffic crashes in the city of Budapest before and after the SARS-CoV-2 pandemic to better understand its long-term percussive effects. The study considers 12208 road traffic crashes that registered between 20 May 2018 – 31 December 2021. The rate and severity of road traffic crashes during the SARS-CoV-2 pandemic examined by using a percentage frequency distribution and a severity index. This study depicted that most crashes reported during the normal daytime between15:01-18:00 (peak hour). The study indicated that during the SARS-CoV-2 pandemic the road traffic crashes were reduced by 20.15%. A rear-end collision was one of the most common type of catastrophes highly registered. Road users, particularly drivers, heavily endorsed crashes. Even though the proportion of road traffic crashes caused by alcohol consumption was modest (6%), the rate of alcohol consumption and its concentration increased slightly during the SARS-CoV-2 pandemic. At the same time the number of crashes caused by high-speed traffic maneuvers reduced. Improper interpretation of road traffic signs, road pavement condition and failure to respect proper sight distance were influential reasons of road traffic crashes among the top. Meanwhile, the distributional impact of careless driving in the aftermath of the SARS-CoV-2 pandemic causes a shift in rank. Therefore, this study proved that during SARS-CoV-2 pandemics road traffic crashes reduced, the rate and concentration of alcohol consumption increased, and careless driving was encouraged.
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.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 découle