Notice bibliographique
Résumé
Determining the various components of road travel that represent elevated levels of risk would be a fundamental step in the identification of risk issues on our roads. Once identified, the occurrence of these road safety issues can be targeted for improvements, thus making progress towards the safety on our roads. To that end, we have developed a risk analysis model and have determined some road safety issues of high-risk. The model weighs incident data from theNational Collision Data Base (NCDB) against exposure data from the Canadian Vehicle Survey(CVS). Fatality rates and relative risk levels were computed for all groupings of data common to both datasets. Without the exposure data (CVS), it would only be possible to compute casualty rates by population, number of licensed drivers, or the number of registered vehicles. This is limited; it does not allow one to compare risk factors at micro levels; for example, the risk of nighttime driving versus daytime driving. The exposure data enables the calculation of standardized risk values based on the actual amount of kilometers driven during the respective times, and allows for the comparison of the different risk factors to one another. There are two ways of calculating risk; casualty rates and relative risk. Casualty rates take the number of road incidents that occurred under certain conditions divided by the number of kilometers driven under the same travel conditions. One could calculate similar rates based on different conditions in order to make comparisons. The relative risk is simply the proportion of collisions with a certain characteristic versus the proportion of road travel with the same characteristic. It has no units, and if the risk is greater than 1, it means that the collisions with the characteristic under study are over-represented relative to the kilometers driven having the same characteristic. For example, a relative risk of 2 means that the proportion of incidents with the characteristic under study is twice the corresponding proportion of kilometers driven. As one can imagine, this allows us to extend our analysis to implemented programs, such as graduated licensing programs, in order to determine their effectiveness on reducing risk on our roads.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».