Evaluation of the Effectiveness of Driver Improvement Programs in Reducing Future Crashes
Notice bibliographique
Résumé
This paper addresses the statistical analysis of driver record data to evaluate driver improvement programs in Ontario, Canada. Several before-after studies were conducted to assess the effectiveness of various interventions in reducing future crashes. The results of these analyses indicated that drivers who receive warning letters, demerit point related interviews or first or second demerit point license suspensions on average have fewer crashes in the period after the intervention than drivers with similar records who were not subject to the intervention, indicating that these interventions are effective in reducing crashes. Drivers receiving warning letters were estimated to have 7.5% fewer crashes after receiving warning letters compared to drivers with similar records. For demerit point related interviews, the first suspension and second suspensions, the estimated reductions are 11.9%, 27.8%, and 42.7% respectively. All of these results are statistically significant at the 95% confidence level. The results for a program aimed at high risk drivers aged 70 years and older (70+ program) and a collision repeater program also indicated that both programs are effective in that drivers subjected to these interventions have fewer subsequent crashes on average than drivers with similar records who were not subject to the intervention. For the 70+ program, the reduction is estimated to be 33% and for the collision repeater program 10.2%. However, for the collision repeater program the reduction, which was based on a very small sample size (113 drivers), was statistically insignificant at the 95% confidence level.
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 | 0,027 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».