Guidelines for Developing a High-Visibility Enforcement Campaign to Reduce Unsafe Driving Behaviors among Drivers of Passenger and Commercial Motor Vehicles: A Selective Traffic Enforcement Program (STEP) Based on the Ticketing Aggressive Cars and Trucks (TACT) Pilot Project
Notice bibliographique
Résumé
The goal of Selective Traffic Enforcement Programs (STEPs) is to induce motorists to drive safely. To achieve this goal, the STEP model combines intensive enforcement of a specific traffic safety law with extensive communication, education, and outreach informing the public about the enforcement activity. First used in Canada, the evolution of STEPs has brought us the high-visibility enforcement campaigns popularized by the National Highway Traffic Safety Administration’s (NHTSA’s) Click It or Ticket seat belt program. Therefore, throughout this guide, the terms high-visibility enforcement campaign and STEP are used interchangeably. In 2004, Congress directed NHTSA and the Federal Motor Carrier Safety Administration (FMCSA) to work together to educate drivers of passenger vehicles on how to share the road safely with commercial motor vehicles. In response to this directive, these agencies worked with the Washington Traffic Safety Commission (WTSC) to develop and fully evaluate a demonstration project based on the STEP model. This guide is intended for State highway safety, law enforcement, and other professionals who work in the field of commercial vehicle safety. It provides guidelines for implementing a STEP to reduce unsafe driving behaviors among drivers of commercial and passenger motor vehicles. It draws on examples and lessons learned from the successful high-visibility enforcement campaign known as TACT (Ticketing Aggressive Cars and Trucks), which was developed in Washington State.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 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 ».