MétaCan
Menu
← Retour à la cohorte
Enregistrement W7162099685 · doi:10.82308/22363

Safety at Quebec's roundabouts: Investigating injuries and accident occurrence

2015· dissertation· en· W7162099685 sur OpenAlexaboutno aff
Shaun Burns

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPoison controlContext (archaeology)ChinatownUrban environment

Résumé

récupéré en direct d'OpenAlex

De nombreuses études, tant aux États-Unis qu'en Europe, ont étudié le carrefour giratoire en tant que moyen d'améliorer la sécurité des intersections. L'objectif principal de ces études a été l'enquête de l'efficacité des carrefours giratoires, ainsi que les facteurs contributifs associés au risque de collision en regardant à la fois le nombre et la gravité des accidents. Malgré le nombre d'études dans ce domaine, très peu de recherches existent dans le contexte Canadien ou provinciale Québécois où les facteurs locaux pourraient jouer en faveur ou contre les carrefours giratoires. Plus important encore, la popularité des carrefours giratoires dans la Province de Québec a considérablement augmenté dans les dernières années. Les préoccupations liées aux problèmes de sécurité dans les carrefours giratoires restent, sans réponse claire. Cela étant dit, une quantité importante de données d'accident ne sont pas géocodées, ce qui est essentiel pour les études d'occurrence d'accidents et les analyses de la gravité des blessures. Cette thèse tente d'enquêter la sécurité des carrefours giratoires dans la province de Québec, Canada, en combinant différentes sources de données et en utilisant diverses approches statistiques. Pour atteindre cet objectif, la thèse est divisée en trois objectifs principaux; 1) développer une méthode gratuite et accessible de géocodage des données d'accident, 2) étudier l'impact que les carrefours giratoires ont sur la sécurité des usagers de la route à l'aide de données historiques d'accident, et 3) identifier les facteurs associée à la fréquence des accidents dans les carrefours giratoires et la gravité des blessures. Parmi d'autres résultats, une méthodologie pour cartographier les données d'accident est proposé en utilisant un algorithme personnalisé qui fait appel à un service internet tel que l'interface de programmation d'application de Google Maps (API). On constate qu'un taux de correspondance de 78% peut être atteint, ce qui est comparable à des options commerciales. Avec la révision appropriée de l'utilisateur, les résultats sont suffisants pour des applications pratiques telles que l'analyse de la sécurité aux intersections. Grâce à l'application d'un modèle logit ordonné afin d'identifier les facteurs qui contribuent à la gravité des blessures aux carrefours giratoires, la recherche dans le troisième chapitre a identifié que des facteurs comme un plus grand nombre de véhicules impliqués, les accidents survenus dans l'intersection, les renversements de véhicules, la participation des bus, les accidents survenus dans le noir sur les routes non éclairées et les conditions de neige ont mené à une augmentation de la gravité des blessures dans les carrefours giratoires. De même, les facteurs associés à des accidents impliquant uniquement les voitures, les accidents avec des animaux et des routes enneigées ont été trouvés être associés à des blessures moins graves.Enfin, à partir des résultats du chapitre 4, qui traite de l'efficacité de la sécurité aux carrefours giratoires, un nombre d'observations ont été faites. Bien que jugée statistiquement non significatif, les observations suggèrent que les petits carrefours giratoires, les carrefours giratoires dans lesquels un seul type d'usagé est présent (c'est-à-dire le comportement local ou autoroutier; mais pas les deux en même temps), et les carrefours giratoires avec une vitesse uniforme sur l'ensemble de ses approches tendent ont démontré une fréquence de collision réduite, telle qu'estimée par la méthodologie avant-après avec groupe de comparaison. L'une des principales faiblesses de cette méthode est qu'il ne prend pas en compte les effets de régression vers la moyenne; une idée qui sera discutée au long de ces travaux.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,136

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,005
Études des sciences et des technologies0,0030,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,250
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTraffic and Road Safety→Travaux en français237 207→