Alternative outcome frameworks to model injury severity outcomes of motorcyclists colliding with other vehicles
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
Lacking protection compared to drivers of other vehicles, motorcyclists accounted for most casualties and fatalities. This study explores how non-motorcycle drivers affect motorcyclists’ injury outcomes in motorcycle-vehicle collisions. The motorcycle-vehicle crashes from the United Kingdom for 2016–2020 are used to estimate two alternative logit models to account for possible unobserved heterogeneities. The models are a latent class multinomial logit with class probability functions and a random threshold-parameter generalized ordered logit. With three possible injury severity levels (fatal injury, severe injury, and minor injury), the characteristics of motorcyclist, driver, roadway, environment, vehicle, and collision are considered potential determinants. Then, the temporal instability issues are revealed through the likelihood ratio tests and out-of-sample predictions based on the two models. Showing good ρ2 values of over 0.370, the latent class model’s estimation results are leveraged to quantify the effects of the contributing factors. Moreover, the marginal effects are also calculated to reveal the existing temporal instability, while some variables reflect the temporal instability in the influence trend and degree. The critical factors increasing the risk levels are male motorcyclists, higher speed limit, older ages of motorcyclists and vehicles, fine weather, single carriageway, and head-on collision type. Overall, subtle variations in the injury severity predictions exist in alternative heterogeneity modeling approaches, suffering from the modeling mechanism of different structural frameworks in capturing the unobserved heterogeneities.
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