Alternative outcome frameworks to model injury severity outcomes of motorcyclists colliding with other vehicles
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.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 ».