MétaCan
Menu
← Retour à la cohorte
Enregistrement W4380485076 · doi:10.1061/9780784484876.001

Implications of Resistance to Automated Speed Enforcement and Red-Light Camera Implementation

2023· article· en· W4380485076 sur OpenAlexaboutno aff
Mubarak Aldossari, Nishantha Bandara, Daw Al-Werfalli

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnforcementLaw enforcementGovernment (linguistics)RevenueRed lightComputer securityBusinessComputer scienceTransport engineeringEngineeringFinanceLawPolitical science

Résumé

récupéré en direct d'OpenAlex

Automated speed cameras (ASE) and red-light cameras are highly effective tools for reducing overall car crashes. ASE and red-light cameras help reduce most crashes, such as fatal crashes, injury crashes, and property damage crashes worldwide. Millions of people die yearly because of car crashes, and many more are severely injured. Due to the high number of fatal and injury crashes, to reduce deaths, many countries across different continents in the world started enforcing ASE and red-light cameras to mitigate the number of crashes. ASE and red-light cameras are enormously effective measures to reduce the totality of crashes. Unfortunately, despite the proven efficacy, many states in the United States and worldwide prohibit using ASE. Some prohibit red-light and speed cameras, such as New Hampshire, South Carolina, Maine, West Virginia, and Texas. Certain states only prohibit red-light cameras, including Montana and South Dakota, and some states do not allow speed cameras, counting Wisconsin and New Jersey. This paper will examine the reasons behind prohibiting automated speed enforcement technology. Additionally, the study will collect and analyze data from the United States, Canada, and Saudi Arabia regarding the amount each country levies for penalties and fines for ASE violations. Some of the public believe that automated speed enforcement techniques are a method for the government to generate revenue. Others argue that the profits are used to educate the public about traffic safety rules and use it to improve the public infrastructure. This study aims to establish whether the funds from automated speed enforcement fines are used to educate the public and improve infrastructure.

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)0,008
score de la tête « metaresearch » (Gemma)0,074
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,071

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,074
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0030,004
Communication savante0,0060,004
Science ouverte0,0020,002
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0140,001

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 Opus0,011
Tête enseignante GPT0,276
Écart entre enseignants0,265 · 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'étudeObservationnel
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

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTraffic and Road Safety→Travaux en français237 207→