Pedestrian Injury Severity Levels in the Halifax Regional Municipality, Nova Scotia, Canada
Notice bibliographique
Résumé
Pedestrians are particularly vulnerable road users within the urban environment. Many studies have examined the factors that contribute to the frequency and severity of collisions, but limited research has examined the influence of the built environment on pedestrian injury severity. This study used the Halifax regional municipality in Nova Scotia, Canada, as a case study to examine the effect of the built environment on the injury severity of pedestrians. Two ordered response models were used: a conventionally ordered probit model and a hierarchical ordered probit (HOPIT) model, which accommodated unobserved heterogeneity because the thresholds could vary across observations. In the HOPIT model fit in this study, the threshold covariates varied with whether the collision occurred at an intersection and with the number of walking commuters in the neighborhood. Built environment contributing factors, including a variety of street pattern classifications, land use types, transit supply, and demographic characteristics, were examined with other variables (e.g., pedestrian and driver characteristics, collision characteristics, environmental conditions). Nova Scotia Collision Record Database data were used for the years 2007 to 2011 to develop the ordered response models of the injury severity of pedestrians. The study found personal and collision characteristics to be significant to explain the injury severity outcomes of pedestrians. In addition, environmental characteristics (e.g., land use type, presence of activity centers, demographic attributes) were found to influence injury severity outcomes. The study results may help inform policy development to improve pedestrian safety in Nova Scotia.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».