تقييم مستوى المسؤولية في حوادث المشاة باستخدام خوارزميات التعلم الآلي

لماذا يهم هذا للمشاة والسائقين في الحياة اليومية

عبور الشارع أو القيادة داخل المدينة تبدو أمورًا روتينية، لكن عندما يحدث تصادم يمكن أن تتغير الحياة في لحظة—تتبعها أسئلة مؤلمة عن من يتحمل اللوم. تبحث هذه الدراسة في حوادث المشاة في مدينة إسبانية واحدة وتتساءل ما إذا كانت أدوات الحوسبة الحديثة يمكن أن تساعد الشرطة والقضاة على تحديد المسؤولية بشكل أكثر عدلاً واتساقًا، بالاستفادة من الأنماط المخفية في بيانات الحوادث الواقعية.

تحويل الحوادث المأساوية إلى بيانات مفيدة

جمع الباحثون معلومات مفصلة من 510 حوادث واقعية في باداجوث، إسبانيا، كلها خضعت لإجراءات قضائية كاملة. لكل حادث سجلوا كيفية تقاسم المسؤولية بين السائق والمشاة في خمس فئات: من حوادث يتحمل فيها السائق المسؤولية كاملة إلى تلك التي تُقاسَم فيها المسؤولية بالتساوي. إلى جانب ذلك، رمّزوا 14 حقيقة بسيطة بنعم أو لا عن كل حالة، مجمعة في أربعة مجالات: السلوك البشري (مثل الكحول والمخدرات والانتباه وزمن رد الفعل)، والتقنية (فحص المركبة ووضوح ملابس المشاة)، وبيئة الشارع (المكان والإضاءة)، وقواعد الطريق (وضع الرخصة، السرعة، واستخدام الهاتف المحمول).

تعليم الحواسيب للتعرّف على أنماط اللوم

باستخدام مجموعة البيانات هذه، اختبر الفريق عدة طرق للتعلم الآلي—برامج حاسوبية تتعلم الأنماط من أمثلة. قارنوا مناهج معروفة وركزوا على ثلاث خوارزميات عملت بشكل أفضل لهذه المهمة: أشجار القرار، ونايف بايز، وآلات الدعم الناقلة (SVM). درّبوا كل نموذج على 60% من الحوادث ثم طُلِب منه التنبؤ بفئات المسؤولية للنسبة المتبقية 40%. ولتفادي أن تقوم النماذج بـ«حفظ» البيانات ببساطة، استخدم الباحثون تقنيات التحقق المتبادل والموازنة الدقيقة للفئات الأقل شيوعًا، مثل الحالات التي كانت فيها المسؤولية 50–50 بالضبط.

تنقية الإشارات قبل سؤال الحاسوب

المزيد من المعلومات ليس دائمًا أفضل. تحقق الفريق أولًا مما إذا كانت أي من المتغيرات الـ14 تكرر القصة ذاتها عمليًا. وجدوا أن تعاطي الكحول والمخدرات للسائقين والمشاة كان أزواجًا متداخلة بشدة. إبقاء متغير واحد فقط من كل زوج خفّض القائمة إلى 12 عاملًا مميزًا. النماذج المدربة على مجموعة المدخلات الأنظف هذه أدت أداءً أفضل فعليًا: إزالة المعلومات المتكررة قللت الضوضاء وساعدت الخوارزميات على التمييز أوضح بين مستويات المسؤولية المختلفة.

أي نموذج فاز، وما العوامل الحاسمة فعلاً

عبر اختبارات عديدة، برز نموذج شجرة القرار كالأفضل. حقق دقة إجمالية تقارب 78% مع مجموعة الـ12 متغيرًا المُخفضة وكان أسرع وأقل استهلاكًا لموارد الحوسبة من الطرق الأخرى. لدى أشجار القرار ميزة إضافية: تُظهر بطبيعتها أي قطع المعلومات لها ثقل أكبر في القرار النهائي. في هذه الدراسة، العامل الأكثر تأثيرًا—حوالي نصف وزن القرار—كان ما إذا كان السائق يمتلك رخصة سارية. تلتها أهمية موقع المشاة (وخاصة ما إذا كانوا عند أو بالقرب من ممر المشاة)، وما إذا كان السائق تحت تأثير الكحول أو المخدرات، وما إذا كان السائق مشتتًا بالهاتف المحمول. لعبت مشتتات المشاة، ووضوح الملابس، والإضاءة أيضًا أدوارًا لكنها بدرجة أقل.

من مساعدة قاعة المحكمة إلى شوارع أكثر أمانًا

بقيت بعض الحالات صعبة على الخوارزميات للحكم عليها، خصوصًا الحالات النادرة التي تُقسَّم فيها المسؤولية بالتساوي بين السائق والمشاة. يرى المؤلفون أن مثل هذه الحالات الحدّية يجب أن تُراجع بعناية من قبل خبراء بشريين. مع ذلك، يمكن للأدوات التي طوروها أن تدعم القضاة وشرطة المرور بتقديم «رأي ثانٍ» موضوعي مدفوع بالبيانات، يبرز متى تتطابق الأنماط مع أحكام سابقة ويتيح للمهنيين التركيز على أكثر الحالات تعقيدًا. والأهم من ذلك، تشير النتائج إلى أولويات واضحة للوقاية: تطبيق قواعد الترخيص، ومكافحة القيادة تحت تأثير الكحول أو المخدرات، والحد من استخدام الهواتف أثناء القيادة، وحماية المشاة عند معابر الطريق. بعبارات يومية، تظهر الدراسة أن كلًا من الحواسيب الأذكى والسلوك الأكثر أمانًا يمكن أن يساعدا على تحديد المسؤولية بشكل أكثر عدلًا—والحد من عدد الأشخاص الذين ينتهي بهم الحال في هذه المواقف المأساوية أصلاً.

الاستشهاد: Moreno-Sanfélix, A., Gragera-Peña, F.C. & Jaramillo-Morán, M.A. Evaluation of the level of responsibility in pedestrian crashes using machine learning algorithms. Sci Rep 16, 12093 (2026). https://doi.org/10.1038/s41598-026-42875-4

الكلمات المفتاحية: سلامة المشاة, مسؤولية المرور, التعلم الآلي, أشجار القرار, حوادث الطرق