Valutazione del livello di responsabilità negli incidenti con pedoni mediante algoritmi di apprendimento automatico

Perché questo conta per pedoni e automobilisti nella vita di tutti i giorni

Attraversare la strada o guidare in città sembra una routine, ma quando avviene un incidente la vita può cambiare in un istante—seguono poi domande dolorose su chi abbia la colpa. Questo studio analizza gli incidenti con pedoni in una città spagnola e si chiede se gli strumenti informatici moderni possano aiutare polizia e giudici a determinare la responsabilità in modo più equo e coerente, sfruttando schemi nascosti nei dati reali sugli incidenti.

Trasformare incidenti tragici in dati utili

I ricercatori hanno raccolto informazioni dettagliate su 510 incidenti reali a Badajoz, in Spagna, tutti conclusi con procedimenti legali completi. Per ogni incidente hanno registrato come la responsabilità è stata infine ripartita tra conducente e pedone usando cinque categorie: dagli incidenti in cui il conducente era totalmente responsabile a quelli in cui la colpa era equamente condivisa. Accanto a ciò, hanno codificato 14 semplici fatti binari per ogni caso, raggruppati in quattro ambiti: comportamento umano (ad esempio alcool, droghe, attenzione, tempo di reazione), tecnologia (revisione del veicolo e visibilità dell’abbigliamento del pedone), ambiente stradale (luogo e illuminazione) e norme del codice (possesso di patente, velocità e uso del cellulare).

Insegnare ai computer a riconoscere i modelli di colpa

Con questo set di dati il team ha testato diversi metodi di apprendimento automatico—programmi che apprendono schemi dagli esempi. Hanno confrontato approcci noti e si sono concentrati su tre metodi che hanno funzionato meglio per questo compito: alberi decisionali, Naïve Bayes e macchine a vettori di supporto. Ogni modello è stato addestrato sul 60% degli incidenti e quindi messo alla prova per prevedere le categorie di responsabilità sul restante 40%. Per evitare che i modelli «memorizzassero» semplicemente i dati, i ricercatori hanno usato tecniche di convalida incrociata e hanno bilanciato con cura le categorie meno comuni, come i casi in cui la responsabilità era esattamente 50–50.

Pulire i segnali prima di interrogare il computer

Più informazioni non sono sempre migliori. Il team ha prima verificato se qualcuna delle 14 variabili ripetesse sostanzialmente la stessa informazione. Hanno trovato che l’uso di alcool e droghe sia per i conducenti sia per i pedoni formava coppie fortemente sovrapposte. Mantenere una sola variabile per ciascuna coppia ha ridotto l’elenco a 12 fattori distinti. I modelli addestrati su questo insieme più «pulito» di input hanno effettivamente ottenuto prestazioni migliori: rimuovere informazioni ridondanti ha ridotto il rumore e ha aiutato gli algoritmi a distinguere più chiaramente tra i diversi livelli di responsabilità.

Quale modello ha vinto e quali fattori contano davvero

In molti test l’albero decisionale è risultato il migliore. Ha raggiunto circa il 78% di accuratezza complessiva con il set ridotto a 12 variabili ed è risultato più rapido e meno esigente in termini di risorse di calcolo rispetto agli altri metodi. Gli alberi decisionali hanno un altro vantaggio: mostrano in modo naturale quali informazioni pesano di più nella decisione finale. In questo studio, il fattore più influente—quasi la metà del peso decisionale—è stato se il conducente aveva una patente valida. Seguivano per importanza la posizione del pedone (in particolare se si trovava su o vicino a un attraversamento pedonale), se il conducente era sotto l’influenza di alcool o droghe e se il conducente era distratto dal cellulare. Distrazioni del pedone, visibilità dell’abbigliamento e illuminazione hanno avuto anch’essi un ruolo, ma in misura minore.

Dal supporto in aula di tribunale a strade più sicure

Alcune situazioni sono rimaste difficili da giudicare per gli algoritmi, in particolare i casi rari in cui la responsabilità era esattamente condivisa tra conducente e pedone. Gli autori sostengono che tali situazioni borderline dovrebbero comunque essere valutate con attenzione da esperti umani. Anche così, gli strumenti sviluppati possono supportare giudici e polizia stradale fornendo una «seconda opinione» oggettiva e basata sui dati, evidenziando quando i modelli corrispondono a decisioni passate e liberando i professionisti per concentrarsi sui casi più complessi. Altrettanto importante, i risultati indicano priorità chiare per la prevenzione: far rispettare le regole sulla patente, contrastare la guida in stato di ebbrezza o sotto l’effetto di droghe, limitare l’uso del cellulare al volante e proteggere i pedoni sugli attraversamenti. In termini pratici, lo studio mostra che computer più intelligenti e comportamenti più sicuri possono aiutare a determinare la responsabilità in modo più equo—e ridurre il numero di persone coinvolte in queste tragedie in primo luogo.

Citazione: 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

Parole chiave: sicurezza dei pedoni, responsabilità nel traffico, apprendimento automatico, alberi decisionali, incidenti stradali