Analyse du respect de la priorité piétonne et de l’environnement de huit passages pour piétons à Montréal
Bibliographic record
Abstract
La forte densité de population, les problèmes environnementaux ou de circulation, mènent les villes à modifier leurs aménagements pour accommoder divers modes de déplacements, dont les transports actifs. Les passages pour piétons non contrôlés par des feux ou panneaux d’arrêt sont des aménagements qui accordent la priorité aux piétons qui s’y engagent, mais cette priorité n’est pas nécessairement garante de leur sécurité. L’objectif de cette étude est d’élaborer une méthodologie permettant de collecter des variables environnementales et comportementales permettant de caractériser le contexte dans lequel le piéton utilise les passages pour piétons. Puis, d’évaluer le respect de la priorité piétonne, ainsi que les contextes routiers et les environnements pouvant l’impacter. Huit sites de passage pour piétons ont été étudiés à Montréal, par des mesures et des observations en premier lieu, puis par l’enregistrement de vidéos. Leur mise en relation permet d’émettre des hypothèses quant à l’impact de certaines variables sur le respect de la priorité piétonne. L’implantation de passages pour piétons ne semble pas toujours suivre des lignes directrices claires. Plusieurs types d’aménagement ont pu être observés. Le taux de respect moyen de la priorité piétonne pour l’ensemble des sites est faible (36 %), mais ceci serait en partie attribuable au contexte environnemental, car la variation des taux est très importante, entre 4 % et 79 %. Des volumes de circulation élevés semblent être défavorables au respect de la priorité piétonne, ainsi que la localisation des passages trop rapprochée des intersections. La méthodologie utilisée permet d’obtenir et de confronter les caractéristiques de l’environnement avec le comportement du conducteur. L’étude se limite à un micro-environnement (passage pour piétons) en huit sites, donc les constats ne pourraient être généralisés à l’ensemble de la ville où les données ont été collectées. Ce travail fait office de support pour de futures études. Tant par l’aspect méthodologique que par les questions qu’il soulève.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".