Kanusho: Nyenzo zote zilizotolewa katika ripoti hii fupi ya uchambuzi wa data, isipokuwa kama inavyoonyeshwa hapo hapo, ziko chini ya maendeleo ya sasa na kundi la watafiti wasiotegemeana wa nje. Uchambuzi uliotolewa katika ripoti hii unatolewa kwa madhumuni ya habari tu na haupaswi kutumika au kuzingatiwa kama machapisho ya sayansi yanayochunguzwa na akina kundi.

Jina la asili: Tathmini ya uwezekano wa kuhusika katika ajali ya gari kulingana na data ya kijamii-demografia na utambuzi.

Waandishi: Jon Andoni Duñabeitia ^{1, 2}, José Luis Tapia ¹.

• 1. Centro de Ciencia Cognitiva - C3 (Kituo cha Sayansi za Utambuzi), Universidad Nebrija (Madrid, Spain).
• 2. AcqVA Aurora Center, The Artic University of Norway (Tromsø, Norway).

Hitimisho kuu:

Kuna uhusiano wenye nguvu kati ya alama ya utambuzi wa "Estimation" wa CogniFit na aina mbalimbali za ajali za barabara, bila kujali jinsia ya wanaogari (coefficients zote ni kubwa kuliko 0.75). Umri, jinsia, na alama ya Estimation ya wanaogari ni tabiri nzuri za uwezekano wa kundi lililobadilika kuhusika katika ajali ya gari yenye kifo (kukamatia 98.3% ya tofauti, R = 0.966, R2 = 0.983), kuhusika katika ajali na jeraha (kukamatia 96.2% ya tofauti, R = 0.981, R2 = 0.962), na kuhusika katika ajali na uharibifu wa mali (kukamatia 95.8% ya tofauti, R = 0.979, R2 = 0.958).

CogniFit® hupima

Data zilikusanywa kutoka kwa kazi mbili za utambuzi zinazofanywa kwa kujitegemea zinazopima ujinga wa waambaji kwa kutumia simu mahiri na tarakimu binafsi. Jumla ya watu 20,231 kutoka nchi 123 tofauti na umri kati ya miaka 18 na 78 walikusanya kazi mbili za CogniFit® (wanawake 10,627, wanaume 9,606).

Moja ya kazi zilipima uwezo wa waambaji wa kukadiria muda wa kichochezi cha sauti kinachoendelea kwa kuomba wakatae kichochezi cha sauti kinachoendelea ili kurudia urefu halisi wa wakati wa kichochezi cha sauti kinachoendelea kilichowasilishwa hapo awali. Kazi nyingine ilipima uwezo wa waambaji wa kukadiria kasi ya vitu vinavyosogea, umbali uliokamatwa na uliobaki, na jinsi mwingiliano wa kasi na umbali unavyoathiri harakati za kitu. Vigeu vya tegemezi vinavyopatikana katika kazi hizi mbili vinalingana na kiwango cha jumla cha usahihi wa kila mbadala, na usahihi wa juu wa mbadala unaonyeshwa na alama ya asilimia ya juu. Kutokana na vigeu hivi, kipimo cha CogniFit® kinachojumuisha ujinga wa kukadiria wa kila mtu kilibadilishwa.

Uendeshaji wa gari na ajali

Data ziliopatikana kutoka kwa National Highway Traffic Safety Administration (NHTSA) ya Marekani kupitia Fatality and Injury Reporting System Tool (FIRST). Zote kutoka 2014 hadi 2018 zinazolingana na idadi halisi ya watu waliohusika katika aina tatu za ajali za magari zilikusanywa kutoka kwa huduma ya umma ya kuuliza na kuripoti data, zilisifiri kwa umri wa dereva (watu kutoka miaka 18 hadi 78 walichaguliwa)

Kwanza, data zilikusanywa zinazolingana na wanaogari waliohusika katika ajali zenye vifo vya kibinadamu kutoka kwa Fatality Analysis Reporting System (FARS), 2004-2017, na Annual Report File (ARF), 2018.

Pili, data kutoka kwa wadereva waliohusika katika ajali za gari zenye jeraha tu zilipatikana kutoka kwa Mfumo wa Tathmini ya Jumla ya Mfumo wa Sampuli ya Kila Motokaa (NASS-GES), 2004-2015, na Mfumo wa Sampuli ya Ripoti ya Ajali (CRSS), 2016-2017.

Na kwa tatu, data inayolingana na wadereva waliohusika katika ajali za gari ambazo zinajeruhi mali tu zilikusanywa kutoka vyanzo vile vile.

Dhana za kuanzia

Umri ni sababu muhimu kwa mara kwa mara ya ajali za kila aina na ukali wake (huku wadereva wazee waliohusika katika ajali chache). Kwa kuongeza, umri pia ni mzuzi muhimu wa uwezo wa kukadiria (matokeo ya muundo wa CogniFit® unaonyesha alama za chini kwa watu wazee).

Kwa kuzingatia dhana hizi mbili, uchambuzi wa uhusiano unapaswa kuonyesha uhusiano mkubwa wa moja kwa moja kati ya idadi ya ajali na matokeo katika kazi za kukadiria za CogniFit®, huku umri unaweza kuendesha uchunguzi huu. Lakini muhimu zaidi, ikiwa alama za muundo wa CogniFit® zinawakilisha faida ya ziada kwa kukadiria ajali za aina yoyote ya gari, hii inapaswa kuonyeshwa katika uchambuzi wa kurudi nyuma mara tu athari ya umri imehasibiwa.

Walakini, inapaswa kukumbukwa kuwa vyanzo viwili vya data vinalingana na sampuli tofauti kutoka kwa idadi tofauti. Hatua za ajali za magari ya kujerujesha haraka ziliaquisishwa kutoka kwa Idara ya Utendaji wa Kalibu ya Barabara ya Kitaifa (NHTSA) ya Marekani, kwa hivyo zaidi ya kuwa Amerika tu au haswa kuhusisha raia wa Kiamerika. Kwa upande mwingine, hatua za CogniFit® ziliaquisishwa kutoka kwa sampuli nyingi tofauti kutoka kwa asili tofauti (nchi 123). Kwa hiyo, tahadhari inashauriwa wakati wa kuzingatia matokeo ya uchambuzi ufuatao kwa sababu ya uwezekano wa kuwepo kwa Hitilafu ya Aina I kama matokeo ya athari iliyofichwa ya miunganisho ya uwongo.

Hata hivyo, maelezo kadhaa yanapaswa kufanywa katika hii kwa heshima. Kwanza, ni vyema kuzingatia kuwa matokeo ya jaribio fulani la utambuzi na sampuli kubwa na inayowakilisha na mali madhalifu ya saikolohia kama vile CogniFit® (tazama kiungo hiki kwa maelezo juu ya uhalali na kuegemeza kwa vyombo vya tathmini) inaweza kuchukuliwa kama data ya kiwango na kwa hiyo kutumika kwa sampuli nyingine kama hiyo kwa njia ya ujumla. Na pili, na kwa masharti ya dhana ya kuwepo na sampuli kubwa vya kutosha ambayo yangeweza kuruhusu ujumla na uhamishaji, inapaswa kuzingatiwa kuwa kutumia vitathmini vya parameta vinavyotokana na dataset ya kawaida au uchambuzi kukamatia tofauti kutoka kwa sampuli tofauti ni njia inayoongezeka ya urambazaji (tazama, kwa mfano, makala hii). Hii ni muhimu hasa katika muktadha wa uchambuzi wa sasa, kuzingatia kuwa kupata data ya kitaifa juu ya ajali za magari ya kujerujesha haraka za kohorti ambaye ameteswa na betri ya utambuzi haraka kabla ya kufahamika katika ajali ni karibu haiwezekani. Kwa hali yoyote, na kwa juhudi ya kueleeza uchambuzi kuelekea sampuli zenye usuli sawa, njia sawa ilifanywa ikizingatia tu data ya watu waliokamilisha tathmini ya CogniFit® na ambao walioonyesha kuwa walikuwa raia wa Kiamerika. Chaguo hili kwa muda mfupi lilihusisha wanawake 1290 na wanaume 762. Muhimu, wakati uchambuzi huo huo wa uunganisho uliotolewa haraka hapa chini uliendesha kwenye sampuli ya Kiamerika, matokeo sawa yaliaquisishwa, akiharakisha maoni makuu (na r ya Pearson>.55 na rho ya Spearman>.40 kwa uchambuzi wa data ya kiume, na r ya Pearson>.57 na rho ya Spearman>.42 kwa data ya kike; ps zote<.001).

Uchambuzi wa uhusiano

Data ya CogniFit® na NHTSA iliyolinganisha kwa wanaume na wanawake wenye umri kati ya miaka 18 na 78 ilichambuliwa takwimu kwa kufuata mbinu inayohusiana na mgawo wa kiwango cha Spearman kwa chagizo la monotonic na mgawo wa uhusiano wa Pearson kwa uhusiano wa mstari kati ya anuwai.

Asilimia za wastani wa usahihi kwa wanaume na wanawake katika kazi mbili za CogniFit® zilihusishwa na data halisi kutoka kwa wadereva wa kiume na kike waliohusika katika 1) ajali zenye kifo, 2) ajali zenye jeraha tu, na 3) ajali zenye jeruhi la mali tu.

Matokeo yalionyesha uhusiano wenye nguvu chanya kati ya hatua za muundo wa CogniFit® na idadi ya aina tatu za ajali kwa umri, huku mgawo wa uhusiano ukofu kutolewa si 0.80 katika visa vyote. Grafu zifuatazo zinawakilisha uhusiano huu kati ya anuwai pamoja na mgawo wa uhusiano unaofaa. Kila hatua inawakilisha thamani katika kila kipengele fulani cha umri, na mstari wa bluu unalingana na mstari wa LOESS uliofaa (tazama Plot Panel 1).

Kwa kuongeza, utaratibu sawa ulifuatiwa kwa kugawanya data kwa mujibu wa jinsia ya wadereva (kiume au kike). Mgawo wa uhusiano ulikuwa sawa sana kwa vikundi vyote viwili vya jinsia, na kuonyesha ugumu wa uhusiano wa ndani kati ya hatua ya muundo wa CogniFit® na aina za ajali, bila kutegemea jinsia ya wadereva (huku mgawo wote ukofu kutolewa si 0.75). Grafu zifuatazo zinaonyesha uhusiano huu huku kila kundi la jinsia likiwakilishwa katika rangi tofauti (tazama Plot Panel 1).

Uchambuzi wa kurudi nyuma

Uchambuzi wa kurudi nyuma wa mstari ulifanywa kwa kutumia data ya aina tofauti za ajali zilizobadilishwa kuwa asilimia ya ajali kwa kila aina na jinsia kutoka kwa jumla kama hatua tegemezi, na umri wa wadereva, jinsia yao, na alama yao ya muundo wa CogniFit® kama sababu za utabiri, huku mwingiliano kati ya sababu hizi mbili za mwisho pia umeongezwa kwa miundo.

Matokeo yanayolingana na ajali zenye kifo yalionyesha mfumo mzuri sana wa fitness ya kina, unaofafanua 98.3% ya tofauti kama chaguo la sababu za kigezo (R=0.966, R2=0.983). Mgawo wa muundo kwa sababu tofauti ulionyesha nguvu ya utabiri muhimu wa umri na jinsia, ikionyesha kuwa wadereva wazee walikuwa na ajali chache zenye kifo kuliko wadereva wajinsi na kuwa wanawake walikuwa na ajali chache zenye kifo kuliko wanaume. Alama ya muundo wa CogniFit® pia ilionyesha athari muhimu, inashirikiana uhusiano wa moja kwa moja kati ya ujinga wa kukadiria wa mtu na idadi ya ajali zenye kifo. Muhimu zaidi, uchunguzi huu wa mwisho uliofafanuliwa na mwingiliano muhimu kati ya alama ya muundo wa CogniFit® na jinsia. Kama inavyoonyeshwa katika grafu (tazama Plot Panel 2), tathmini ya alama za muundo wa CogniFit® ilikuwa tofauti kwa kila jinsia: Kwa wanaume, alama za juu katika muundo wa CogniFit® zilihusiana na hatari ya juu ya kuwa na ajali zenye kifo, huku kwa wanawake, alama za juu za muundo wa CogniFit® zilihusiana na asilimia za chini za ajali zenye kifo.

Matokeo sawa yalionekana kwa uchambuzi wa data yanayolingana na ajali za magari ya kujerujesha haraka zenye sehemu iliyoumia tu. Mfano huo huo ulifafanua asilimia 96.2 ya tofauti (R=0.981, R2=0.962), na athari ya umri ilikuwa muhimu, kama vile ilivyokuwa pia kwa athari ya alama ya muundo wa CogniFit®. Jinsia na alama ya muundo wa CogniFit® zilionyesha mwingiliano muhimu: Wakati wa kiume walifuata muundo wa moja kwa moja uliotarajiwa kati ya alama ya muundo wa CogniFit® na idadi ya ajali zenye sehemu iliyoumia tu, wake wakaonyesha uhusiano wa kinyume: kwa wake, alama za muundo wa CogniFit® za juu zilikuwa zinaunganisha na ajali chache.

Hatimaye, uchambuzi wa data yanayolingana na ajali za magari ya kujerujesha haraka zenye uharibifu wa mali tu ulifanywa. Mfano huo huo ulifafanua asilimia 95.8 ya tofauti (R=0.979, R2=0.958), na athari za umri, jinsia, na alama ya muundo wa CogniFit® zilikuwa muhimu. Jinsia na alama ya muundo wa CogniFit® zilionyesha mwingiliano muhimu, kwa mara nyingine tena ikionyesha uhusiano wa kinyume kati ya alama za muundo wa CogniFit® na idadi ya ajali za magari ya kujerujesha haraka zenye sehemu iliyoumia tu kwa ajili ya ajDriveri wa kike tu.

Jedwali lifuatalo linafupisha nguvu ya ufafanuzi wa mfano wa takwimu ikiongeza alama za muundo wa CogniFit® kwa kulinganisha na mfano rahisi zaidi ambao unajumuisha umri wa wataobadilisha na jinsia yao. Kama inavyoonekana, katika kesi zote mifano inayotokana ni bora zaidi sana (kama inavyoshuhudiwa na tofauti za mfano wa takwimu zinazofanana).