Bewertung des Verantwortungsgrads bei Fußgängerunfällen mit Hilfe von Machine-Learning-Algorithmen

Warum das für Alltagsfußgänger und -fahrer wichtig ist

Die Straße zu überqueren oder durch die Stadt zu fahren wirkt routinemäßig, doch wenn ein Unfall passiert, kann sich das Leben in einem Augenblick ändern — gefolgt von schmerzlichen Fragen nach der Schuld. Diese Studie untersucht Fußgängerunfälle in einer spanischen Stadt und fragt, ob moderne Computerwerkzeuge Polizei und Richter dabei helfen können, Verantwortung fairer und konsistenter zuzuordnen, indem sie Muster aus realen Unfalldaten nutzen.

Tragische Unfälle in nutzbare Daten verwandeln

Die Forschenden sammelten detaillierte Informationen zu 510 realen Unfällen in Badajoz, Spanien, die alle vollständige Gerichtsverfahren durchlaufen hatten. Für jeden Unfall dokumentierten sie, wie die Verantwortung letztlich zwischen Fahrer und Fußgänger in fünf Kategorien aufgeteilt wurde: von Unfällen, bei denen der Fahrer vollständig verantwortlich war, bis zu solchen mit gleichermaßen geteiltem Verschulden. Zusätzlich kodierten sie 14 einfache Ja-/Nein-Angaben zu jedem Fall, gruppiert in vier Bereiche: menschliches Verhalten (etwa Alkohol, Drogen, Aufmerksamkeit, Reaktionszeit), Technik (Fahrzeuginspektion und Sichtbarkeit der Fußgängerbekleidung), Straßenumfeld (Ort und Beleuchtung) und Verkehrsregeln (Führerscheinstatus, Geschwindigkeit und Handynutzung).

Computern beibringen, Schuldmuster zu erkennen

Mit diesem Datensatz testete das Team mehrere Machine-Learning-Methoden — Computerprogramme, die aus Beispielen Muster lernen. Sie verglichen bekannte Ansätze und konzentrierten sich auf drei, die für diese Aufgabe am besten funktionierten: Entscheidungsbäume, Naïve Bayes und Support Vector Machines. Jedes Modell wurde mit 60 % der Unfälle trainiert und sollte dann die Verantwortlichkeitskategorien für die verbleibenden 40 % vorhersagen. Um zu verhindern, dass die Modelle die Daten einfach „auswendig lernen“, nutzten die Forschenden Kreuzvalidierungstechniken und balancierten sorgfältig die selteneren Kategorien, etwa Fälle mit genau 50:50-Verantwortung.

Signale säubern, bevor der Computer gefragt wird

Mehr Informationen sind nicht immer besser. Das Team prüfte zunächst, ob einige der 14 Variablen im Wesentlichen dieselbe Aussage wiederholten. Sie fanden, dass Alkohol- und Drogenkonsum sowohl bei Fahrern als auch bei Fußgängern stark überlappende Paare bildeten. Das Entfernen einer Variablen aus jedem Paar reduzierte die Liste auf 12 unterscheidbare Faktoren. Modelle, die mit diesem bereinigten Satz trainiert wurden, lieferten tatsächlich bessere Ergebnisse: Redundante Informationen zu entfernen verringerte das Rauschen und half den Algorithmen, klarere Unterscheidungen zwischen den Verantwortungsstufen zu treffen.

Welches Modell gewann und welche Faktoren sind wirklich wichtig

In zahlreichen Tests setzte sich das Entscheidungsbaum-Modell durch. Mit dem reduzierten 12-Variablen-Set erreichte es eine Gesamtgenauigkeit von etwa 78 % und war zudem schneller und ressourcenschonender als die anderen Methoden. Entscheidungsbäume haben einen weiteren Vorteil: Sie zeigen auf natürliche Weise, welche Informationen das Endurteil am stärksten beeinflussen. In dieser Studie war mit Abstand der einflussreichste Faktor — nahezu die Hälfte des Entscheidungsgewichts —, ob der Fahrer einen gültigen Führerschein hatte. Danach folgten der Aufenthaltsort des Fußgängers (insbesondere, ob er sich an oder nahe einem Zebrastreifen befand), ob der Fahrer unter Alkohol- oder Drogeneinfluss stand, und ob der Fahrer durch ein Mobiltelefon abgelenkt war. Fußgängerdistraktionen, Sichtbarkeit der Kleidung und Beleuchtung spielten ebenfalls eine Rolle, allerdings in geringerem Umfang.

Von der Gerichtshilfe zu sichereren Straßen

Einige Situationen blieben für die Algorithmen schwer zu beurteilen, besonders seltene Fälle mit exakt geteilter Verantwortung zwischen Fahrer und Fußgänger. Die Autoren argumentieren, dass solche Grenzfälle weiterhin sorgfältig von menschlichen Expertinnen und Experten geprüft werden sollten. Dennoch können die entwickelten Werkzeuge Richter und Verkehrspolizei unterstützen, indem sie eine objektive, datengetriebene „zweite Meinung“ liefern, aufzeigen, wann Muster mit früheren Entscheidungen übereinstimmen, und Fachkräfte entlasten, sodass sie sich auf die komplexesten Fälle konzentrieren können. Genauso wichtig ist, dass die Ergebnisse klare Prioritäten für Prävention aufzeigen: Durchsetzung von Führerscheinregelungen, härteres Vorgehen gegen alkohol- und drogenbedingtes Fahren, Einschränkungen der Handynutzung am Steuer und Schutz von Fußgängern an Übergängen. Alltagsbezogen zeigt die Studie, dass sowohl klügere Computer als auch sichereres Verhalten dazu beitragen können, Verantwortung gerechter festzustellen — und die Zahl der Menschen zu verringern, die überhaupt in solche tragischen Situationen geraten.

Zitation: 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

Schlüsselwörter: Fußgängersicherheit, Verkehrsverantwortung, Machine Learning, Entscheidungsbäume, Straßenverkehrsunfälle