Analyse comparative de la mortalité et de la morbidité par accident de la route au Québec et en Ontario, 2000 à 2010
Bibliographic record
Abstract
La mortalité et la morbidité dues aux accidents de la route sont plus faibles en Ontario qu’au Québec. L’objectif principal de cette étude est d’analyser les taux obtenus par le Québec à ceux de l’Ontario afin de déterminer qu’elles sont les caractéristiques des accidents qui font que le Québec enregistre des taux plus élevés. Des analyses comparatives et une régression logistique sont utilisées afin de répondre à cet objectif principal. Les analyses démontrent que plusieurs variables expliquent les différences entre le Québec et l’Ontario. L’âge et le sexe des conducteurs impliqués et des victimes, la catégorie d’usage de la route, la gravité de l’accident de même que l’heure de l’accident sont toutes des caractéristiques pour lesquelles le Québec détient des taux de mortalité et de morbidité plus élevés qu’en Ontario. Les lois entourant l’accès graduel à la conduite sont plus restrictives en Ontario qu’au Québec. La régression logistique utilisée pour vérifier les résultats de certaines de ces restrictions montre que les chances d’être impliqués dans un accident grave ou mortel survenu la nuit (entre minuit et 5h le matin) sont plus élevées au Québec qu’en Ontario chez les 18 à 24 ans, les hommes, les femmes et lorsqu’il y a aucun passager ou au moins un passager âgé de 16 à 24 ans uniquement. Le type de permis de conduire n’influence pas la comparaison des deux provinces dans l’implication de ce type d’accident. Cette recherche permet de dresser un portrait comparatif de la mortalité et de la morbidité routière du Québec et de l’Ontario afin de trouver des pistes de solutions pour diminuer la fréquence de décès et de blessés dus aux accidents de la route.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".