Drivers’ Information and Practical Training Assessment Results Management System: A Recommendation for NIT
Notice bibliographique
Résumé
Road Traffic Injuries (RTIs) resulted from Road Traffic Accidents (RTAs) have high contribution to human deaths globally where in 2023, 1733 RTAs which resulted into 1647 deaths were recorded in Tanzania with human factor contributing 97% of the RTAs. The situation has raised a need to conduct a study to identify how drivers training processes are handled in Tanzania. The National Institute of Transport (NIT) was selected for the study to present the current situation since it is the institute offering training to the professional drivers and drivers’ instructors in Tanzania. In-car, Automated, Simulator-based, Structured Off-Road and Clinical Drivers’ Assessments were identified in the literature as the common methods for assessing the drivers’ practical skills. Interview was used to collect data from the targeted personnel who were identified as Director of Academics Support Services (DASS), Head of Department (HoD) for driving courses and National Institute of Transport Certified Driver Instructors (NIT-CDIs). The research findings highlighted issues in the process of drivers’ registration, record keeping and backup, assessment methods, result verification, analysis and reporting. The study has recommended algorithms in some crucial aspects of the drivers’ trainings that could be used to improve the standard of the drivers’ training processes which could ultimately contribute to the reduction of RTAs and RTIs in Tanzania and globally. Further researches are needed to study the driver training processes in other institutes in Tanzania and recommend better, affordable and more effective approaches for handling drivers’ trainings.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».