Bus Drivers’ Perspectives on Factors Contributing to Road Traffic RTAs on Prithvi and Mugling-Narayanghat Highway Segment in Nepal
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
Road traffic accidents (RTAs) remain a leading cause of mortality and injury worldwide, with low-and middle-income countries disproportionately affected despite having a smaller share of the global vehicle fleet.This study investigates the factors contributing to RTAs on Nepal's Prithvi Highway and the Mugling-Narayanghat road segment, with a specific focus on driver behavior, infrastructure deficiencies, environmental conditions, and vehicle-related issues.Data were collected through a structured questionnaire survey from 210 bus drivers who regularly operate along these routes.The reliability of the instrument was confirmed using Cronbach's alpha, and data were analyzed using the Relative Importance Index (RII) to rank the severity of contributing factors and one-way ANOVA to examine differences across demographic groups.Results reveal that human factors, particularly speeding, drunk driving, and driver distractions, are the most significant contributors to accidents, followed by infrastructure factors such as narrow roads and inadequate signage, adverse weather conditions like rain and fog, and vehiclerelated issues, including defective tires.ANOVA results indicate significant variations in accident-related risk perceptions based on drivers' age, education level, and years of experience, with younger drivers more prone to distraction and older drivers more affected by poor road conditions.This study provides novel empirical evidence from the perspective of road users, offering practical insights for developing targeted road safety interventions.Recommendations include enhanced driver training, road infrastructure upgrades, regular vehicle maintenance, and awareness campaigns to for reducing RTAs.
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 | 0,001 | 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