Categorizing datasets of road traffic accidents in Oman spanning from 2012 to 2022
Notice bibliographique
Résumé
Road traffic accidents constitute the primary cause of fatalities associated with injuries and engender substantial economic ramifications for affected individuals, their families, and entire nations. The Sultanate of Oman, like other countries, suffers from traffic accident injuries and traffic congestion. The accident rate for the period 2021 was recorded as one accident every six hours. Despite a 70% increase in total number of vehicles and an 81% rise in licensed drivers between 2012 and 2019, data on traffic accidents demonstrate an improving trend with a notable 55% decline in crash fatalities. However, it is important to recognize that road traffic accidents in Oman encompass not only social issues but also pose a significant economic burden, resulting in substantial financial costs for the nation. Notwithstanding, it was discovered that more than 50% of fatal crashes in Oman were primarily caused by excessive speeding. The main goal of this research is to analysis the causes and trends of traffic accidents at the national level in the Sultanate of Oman. Data analysis reveals speed as the primary cause of traffic accidents in Oman, with Muscat and Dhofar registering the highest accident rates. In addition, the distribution of deaths and injuries resulting from accidents varies according to Gender and nationality. According to the road accident scenario analysis in the state, more traffic accidents occurred in males than females. Traffic accidents have witnessed a notable decline over the past decade, attributable to the diligent efforts and interventions implemented by the Royal Oman Police.
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 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 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».