הערכת רמת האחראיות בתאונות הולכי רגל באמצעות אלגוריתמי למידת מכונה

מדוע זה חשוב להולכים ולנהגים ביום־יום

חציית כביש או נהיגה בעיר מרגישה שגרית, אך כשמתרחשת תאונה החיים יכולים להשתנות ברגע — ואז עולות שאלות כואבות לגבי מי אשם. המחקר הזה בוחן תאונות הולכי רגל בעיר ספרדית אחת ושואל האם כלים ממוחשבים מודרניים יכולים לסייע למשטרה ולבתי משפט להבחין באחריות באופן הוגן ועקבי יותר, באמצעות דפוסים הנסתרים בנתוני תאונות אמיתיים.

להפוך תאונות טראגיות לנתונים שימושיים

החוקרים אספו מידע מפורט מ־510 תאונות מהשטח בבאדחוֹס, ספרד, שכולן עברו הליכים משפטיים מלאים. עבור כל תאונה רישמו כיצד חולקה האחראיות בין הנהג להולך הרגל בחמש קטגוריות: מתאונות שבהן הנהג היה אחראי לחלוטין ועד לאלה שבהן האשמה חולקה באופן שווה. לצד זאת קידדו 14 עובדות פשוטות בדו־אפשרויות (כן/לא) על כל מקרה, הממוינות לארבעה תחומים: התנהגות אנושית (כמו אלכוהול, סמים, קשב, זמן תגובה), טכנולוגיה (בדיקת הרכב ונראות הבגדים של ההולך), סביבת הרחוב (מיקום ותאורה) וכללי הדרך (מצב רישיון, מהירות ושימוש בטלפון נייד).

להדריך מחשבים לזהות דפוסי האשמה

עם מערך הנתונים הזה צוות החוקרים בחן מספר שיטות למידת מכונה — תוכניות מחשב שלומדות דפוסים מתוך דוגמאות. הם השוו גישות ידועות והתמקדו בשלוש שהגיעו לתוצאות הטובות ביותר למשימה: עצי החלטה, נאיב בייז ותמכי וקטורים. כל מודל אומן על 60% מהתאונות ונבדק על ה־40% הנותרים כדי לחזות קטגוריות של אחראיות. כדי למנוע מהמודלים פשוט "לשנן" את הנתונים, החוקרים השתמשו בטכניקות חצייה לצורך ולידציה ואיזנו בקפידה קטגוריות פחות נפוצות, כגון מקרים שבהם האחריות הייתה בדיוק 50–50.

לנפות אותות לפני שמפנים למחשב

יותר מידע אינו בהכרח טוב יותר. הצוות בדק קודם האם אחת מ־14 המשתנים למעשה חוזרת על אותה המידע. הם מצאו ששימוש באלכוהול וסמים אצל הנהג והולך הרגל היו זוגות חופפים בחוזקה. שמירה על משתנה אחד מתוך כל זוג הקטינה את הרשימה ל־12 גורמים מובחנים. מודלים שאומנו על ערכת הקלט הנקייה הזו ביצעו בפועל טוב יותר: הסרת מידע מיותר הקטינה רעש וסייעה לאלגוריתמים לבצע הבחנות ברורות יותר בין רמות האחראיות השונות.

איזה מודל ניצח, ואילו גורמים באמת חשובים

במהלך מבחנים רבים מודל עץ ההחלטה יצא כטוב ביותר. הוא השיג דיוק כולל של כ־78% עם ערכת 12 המשתנים המצומצמת והיה מהיר וקל יותר מבחינת משאבי חישוב לעומת השיטות האחרות. לעצי החלטה יתרון נוסף: הם מציגים באופן טבעי אילו פריטי מידע משפיעים ביותר על ההחלטה הסופית. במחקר זה, הגורם המשפיע ביותר — כמעט מחצית ממשקל ההחלטה — היה האם לנהג היה רישיון בתוקף. אחריו בחשיבות היו מיקום ההולך (ובפרט האם היה על יתר קרוב להולך במעבר חציה), האם הנהג היה תחת השפעת אלכוהול או סמים, והאם הנהג הוטרד על ידי טלפון נייד. הסחות דעת של הולכי הרגל, נראות הבגדים ותאורה גם הן שיחקו תפקיד, אך במידה פחותה יותר.

מעזרה בבתי משפט אל רחובות בטוחים יותר

כמה מצבים נותרו קשים למודלים להעריך, במיוחד מקרים נדירים שבהם האחריות חולקה בדיוק בין הנהג להולך. הכותבים טוענים שמצבים שוליים כאלה עדיין צריכים לעבור בדיקה מדוקדקת של מומחים אנושיים. עם זאת, הכלים שפיתחו יכולים לתמוך בשופטים ובמשטרת התנועה על ידי מתן "חוות דעת שנייה" אובייקטיבית ומבוססת נתונים, המדגישה מתי דפוסים תואמים החלטות בעבר ומפנה את אנשי המקצוע לטפל במקרים המורכבים ביותר. חשוב לא פחות, הממצאים מצביעים על סדרי עדיפויות ברורים למניעה: אכיפת כללי רישוי, מאבק בנהיגה תחת השפעה, הגבלת שימוש בטלפון בזמן נהיגה והגנה על הולכי רגל במעברים. במילים פשוטות, המחקר מראה שגם מחשבים חכמים יותר וגם התנהגות בטוחה יותר יכולים לסייע להכריע על אחריות באופן הוגן יותר — ובה בעת להפחית את מספר הנפגעים במצבים הטראגיים הללו.

ציטוט: 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

מילות מפתח: בטיחות הולכי רגל, אחריות בתעבורה, למידת מכונה, עצים החלטה, תאונות דרכים