Statistical estimation of fatal and serious injuries saved by iRAP protocols in 74 countries
Notice bibliographique
Résumé
OBJECTIVE: Road traffic crashes cause 1.19 million deaths and millions more injuries annually. The persistently high burden has drawn attention from national and international stakeholders worldwide. Unsafe road infrastructure is one of the major risk factors for traffic safety, particularly in low- and middle-income countries. METHODS: Aiming to eliminate high-risk roads in all countries, the International Road Assessment Programme (iRAP) developed a robust and evidence-based approach to support country transportation agencies. RESULTS: Thus far, the iRAP protocols have been used to collect 1.8 million kilometers of Crash Risk Mapping and 1.5 million kilometers of Star Rating and FSI estimations in 128 countries. Deploying an observational before-and-after (or pre-post) study design, this report estimated the fatal and series injuries (FSI) saved through use of the iRAP protocols. The study is based on 441,753 kilometers of assessed roads from 1,039 projects in 74 countries. Our results show that the implementation of iRAP's proposed countermeasures saves about 159,936 FSI annually. Throughout the lifetime of the implemented countermeasures, a total of 3.2 million FSI could be saved. CONCLUSION: While quantifying the success of the iRAP protocols, our results suggest an opportunity to save many millions more lives on the roads through expanding iRAP implementation to more regions and countries.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».