Lateral damage and point of impactin intersection crashes: Implications for injury
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
Crashes in intersections may result in damage to vehicles and injury to occupants in many different ways. One vehicle hitting the side of another (T-type) is the classic side impact; however, we have argued in the past that other crash configurations (e.g., L-type) may subject occupants to similar risks because both vehicles may sustain lateral damage. To test this assumption, we examined crash data from police reports of 4032 intersection right-angle crashes (IRC), collected by the Insurance Corporation of British Columbia for 2002. We compared the risk and types of injury in target and bullet vehicles for T-type crashes, L-type crashes by front and rear fender involvement and for all other IRC crashes. There were 787 T-type crashes (impact into either side of target vehicle), compared to 798 L-type crashes (impact into front fender) and 350 L-type (impact into rear fender). Overall, injury risk was 23.5%. Proportions injured were very similar for occupants of target and bullet vehicles in T-type crashes (OR = 0.996; 95% ci 0.80 to 1.24.); for L-type crashes, the proportions were 23.2% for front and/or front fender involvement and 15.0% for crashes involving the rear fender of one vehicle and the front or front fender of the other (OR =1.71; 95% ci 1.40 - 2.10). Apart from rear fender crashes, proportions injured were very similar (P > 0.05). Other factors, notably weather, lighting, land use and vehicle damage differed significantly by crash type, and were strongly associated with injury risk. Since rear-fender crashes are a small proportion of IRC crashes, this suggests that it is not necessary to subdivide crashes by configuration in IRC crashes.
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 | 0,000 |
| 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