Is legislation effective in reducing risks of all-terrain vehicle-related injuries? A systematic review
Notice bibliographique
Résumé
BACKGROUND: Over decades, governments have enacted policies and legislation mandating strategies to reduce the incidence and severity of all-terrain vehicle (ATV)-related injuries. We performed a systematic review to determine the efficacy of laws and policies in reducing these injuries. METHODS: Following Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines, 20 articles from the peer-reviewed literature were systematically selected. Associations between legislation/policy and changes or differences in injury numbers, rates or severity were queried. RESULTS: Data were available to examine age restrictions or child/youth-directed safety measures, use of helmets and vehicle-specific/engineering policies. Legislating age restrictions was associated with limited paediatric injury reduction in five of nine studies; sustained efficacy may require concurrent socialisation through media or regulated riding environments. Mandated helmet use was associated with reduced ATV-related mortality in five of six studies. However, the concurrent presence of other safety legislation precludes concluding the efficacy of helmet laws, alone. Legislation targeting vehicle design/engineering is limited, as are studies of their efficacy. A US federal decree for large-scale vehicle-related and industry-related changes was associated with a brief but dramatic decrease in ATV-related deaths; this reversed once the decree was lifted. CONCLUSIONS: With the possible exception of helmet legislation, many laws aimed at reducing ATV-related injuries demonstrate little association with actual injury reduction. Most target changing individual behaviours and may be unsuccessful due to personal perceptions of low risk of injury. Enacting policies directed to industry, to address design and engineering interventions that can reduce risk during operation of these products, is more likely to result in substantive and sustained change.
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 | 0,021 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,011 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».