Assessing the Impact of Traffic Volume Changes and Other Confounding Factors in Observational Before–After Safety Studies: a “No Treatment” Evaluation During the COVID-19 Pandemic in Canada
Notice bibliographique
Résumé
As motor vehicle accidents result in significant societal and economic costs, it is crucial to evaluate the impact of safety measures accurately. Therefore, this thesis examines the effects of COVID-19-induced traffic volume changes and other factors on current methods used to assess the effectiveness of road safety engineering countermeasures. The study analyzes four observational before-after (BA) study methodologies: comparison group (CG) method, empirical Bayes (EB) method, a combination of EB and CG (EB with CG) method, and full Bayes (FB) method, which are commonly used to isolate the effects of countermeasures from confounding factors such as regression-to-the-mean (RTM), traffic volume fluctuations (exposure), unrelated effects and maturation (time trends). To accomplish this goal, a hypothetical BA study was conducted on multiple untreated signalized intersections across different Canadian jurisdictions during the period 2017-2021, which included COVID-19 pandemic. When these methodologies effectively account for confounding factors, no changes in expected collision frequency should be observed from the pre-pandemic to the post-pandemic period, assuming no specific safety countermeasures were implemented at the study sites.\n\nThe findings of this research indicate that among all the BA study types, the crash modification factors (CMFs) consistently exhibited values of approximately 1.0 as treatment effectiveness outcomes (i.e., 0% change in collision frequency from the before to the after period). The results demonstrate that all the examined methods successfully detected the hypothetical treatment within the confidence intervals of the estimated CMFs. However, they exhibited varying levels of accuracy and precision. These findings hold significant importance for practitioners to make informed choices regarding the selection and implementation of assessment methodologies for evaluating countermeasures introduced during COVID-19 pandemic.
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 | 0,103 | 0,154 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».