Détermination d'un coût d'accident selon une typologie d'accident pour améliorer l'évaluation des avantages et des coûts des infrastructures routières
Bibliographic record
Abstract
Pour déterminer les priorités d'intervention en sécurité sur le réseau routier, l'analyse avantages-coûts constitue une méthode prometteuse. L'obtention de coûts associés aux typologies d'accident permet de réaliser une analyse significative. \n \nCette étude vise à améliorer la méthode de détermination des coûts des accidents selon la typologie utilisée au ministère des Transports du Québec (MTQ). Une analyse statistique de la banque de données d'accidents du MTQ a été réalisée et des améliorations à la méthode actuelle sont proposées. \n \nDes coûts moyens selon la typologie d'accident ont été calculés à partir de la méthode améliorée pour les méthodes d'évaluation des coûts du capital humain et de la disposition à payer. Les coûts ont été vérifiés pour la méthode du capital humain. Les coûts résultant des calculs utilisant la méthodologie améliorée permettront d'obtenir des résultats plus représentatifs lors des analyses économiques de sécurité des infrastructures routières. Des études de cas sont présentées.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.002 |
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".