LA PERCEPTION DU RISQUE D’ÊTRE ARRÊTÉ CHEZ LES CAMIONNEURS ET TRANSPORTEURS ROUTIERS
Bibliographic record
Abstract
Le principal objectif de cette recherche était de verifier comment les biais dans la perception des risques des agents économiques peuvent affecter leurs comportements de sécurité routière. Les trois principaux risques étudiés sont le risque d’être arrêté suite à une infraction au Code de la sécurité routière, celui de la sévérité des sanctions et celui des délais des sanctions. Nous avons procédé en deux étapes. Dans un premier temps, nous avons mesuré les biais de perception des conducteurs et des transporteurs au moyen d’un sondage, puis nous avons vérifié comment ces mesures pouvaient affecter leur comportement mesuré par les points d’inaptitude accumulés et les accidents. D’une façon plus précise, les deux étapes d’analyse ont été les suivantes : 1) pour chacun des biais étudié, des questions ont été posées aux camionneurs et aux transporteurs pour comparer leurs perceptions des risques à des données objectives; 2) dans un deuxième temps, les indices des biais de perception individuels ont été utilisés comme variables explicatives dans l’analyse des distributions des infractions et des accidents. Les résultats sont résumés dans la conclusion de l’article.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".