Evaluatie van het verantwoordelijkheidsniveau bij aanrijdingen met voetgangers met behulp van machine learning-algoritmen

Waarom dit ertoe doet voor alledagse wandelaars en bestuurders

Een straat oversteken of door de stad rijden voelt routineus, maar als er een aanrijding gebeurt, kan iemands leven in een oogwenk veranderen—gevolgd door pijnlijke vragen over wie er schuldig is. Deze studie bekijkt aanrijdingen met voetgangers in een Spaanse stad en onderzoekt of moderne computerhulpmiddelen politie en rechters kunnen helpen om verantwoordelijkheid eerlijker en consistenter vast te stellen, door patronen te vinden in echte ongevalsgegevens.

Tragische ongevallen omzetten in bruikbare data

De onderzoekers verzamelden gedetailleerde informatie over 510 echte ongevallen in Badajoz, Spanje, die allemaal volledige juridische procedures hadden doorlopen. Voor elk ongeval registreerden ze hoe de verantwoordelijkheid uiteindelijk tussen bestuurder en voetganger werd verdeeld in vijf categorieën: van ongevallen waarbij de bestuurder volledig verantwoordelijk was tot situaties met gelijk gedeelde schuld. Daarnaast codeerden ze 14 eenvoudige ja-of-nee-gegevens per zaak, gegroepeerd in vier domeinen: menselijk gedrag (zoals alcohol, drugs, aandacht, reactietijd), technologie (voertuigkeuring en zichtbaarheid van kleding van de voetganger), straatomgeving (locatie en verlichting) en verkeersregels (rijbewijsstatus, snelheid en mobiel telefoongebruik).

Computers trainen om schuldpatronen te herkennen

Met deze dataset testte het team verschillende machine learning-methoden—computerprogramma’s die patronen uit voorbeelden leren. Ze vergeleken bekende benaderingen en concentreerden zich op drie die het beste presteerden voor deze taak: beslisbomen, Naïve Bayes en support vector machines. Elk model werd getraind op 60% van de ongevallen en daarna uitgedaagd om de verantwoordelijkheidscategorieën van de resterende 40% te voorspellen. Om te voorkomen dat de modellen de data simpelweg “uit het hoofd leren”, gebruikten de onderzoekers cross-validatietechnieken en balanceerden ze zorgvuldig de minder vaak voorkomende categorieën, zoals gevallen waarin de verantwoordelijkheid precies 50–50 was.

De signalen opschonen voordat de computer ernaar kijkt

Meer informatie is niet altijd beter. Het team controleerde eerst of een van de 14 variabelen in feite hetzelfde verhaal herhaalde. Ze ontdekten dat alcohol- en druggebruik voor zowel bestuurders als voetgangers sterk overlappende paren waren. Door van elk paar slechts één variabele te behouden, verminderde de lijst tot 12 onderscheidende factoren. Modellen die op deze schonere set inputs waren getraind, presteerden daadwerkelijk beter: het verwijderen van redundante informatie verminderde ruis en hielp de algoritmen duidelijkere onderscheidingen te maken tussen verschillende verantwoordelijkheidsniveaus.

Welk model won, en welke factoren tellen echt mee

In veel tests kwam het beslisboommodel als beste uit de bus. Met de gereduceerde set van 12 variabelen behaalde het ongeveer 78% algemene nauwkeurigheid en was het sneller en zuiniger in rekenkracht dan de andere methoden. Beslisbomen hebben nog een voordeel: ze tonen op een natuurlijke manier welke informatie het zwaarst weegt in de uiteindelijke beslissing. In deze studie was de meest invloedrijke factor—bijna de helft van het beslisgewicht—of de bestuurder een geldig rijbewijs had. Daarna waren van belang waar de voetganger zich bevond (vooral of die bij of nabij een zebrapad stond), of de bestuurder onder invloed van alcohol of drugs was, en of de bestuurder werd afgeleid door een mobiele telefoon. Afleidingen van de voetganger, zichtbaarheid van kleding en verlichting speelden ook een rol, maar in mindere mate.

Van rechtszaalondersteuning naar veiligere straten

Sommige situaties bleven moeilijk voor de algoritmen om te beoordelen, vooral zeldzame gevallen waarin de verantwoordelijkheid precies tussen bestuurder en voetganger werd gedeeld. De auteurs beweren dat zulke grensgevallen nog altijd zorgvuldig door menselijke deskundigen moeten worden beoordeeld. Toch kunnen de door hen ontwikkelde hulpmiddelen rechters en verkeerspolitie ondersteunen door een objectieve, data‑gedreven “second opinion” te bieden, te benadrukken wanneer patronen overeenkomen met eerdere uitspraken en professionals vrij te maken om zich op de meest complexe zaken te concentreren. Even belangrijk wijzen de bevindingen op duidelijke prioriteiten voor preventie: handhaving van rijbewijsregels, optreden tegen rijden onder invloed van alcohol of drugs, het beperken van telefoongebruik achter het stuur en het beschermen van voetgangers bij oversteekplaatsen. In praktische termen laat de studie zien dat zowel slimmere computers als veiliger gedrag kunnen helpen om verantwoordelijkheid eerlijker vast te stellen—en het aantal mensen dat in deze tragische situaties terechtkomt te verminderen.

Bronvermelding: 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

Trefwoorden: voetgangersveiligheid, verkeersverantwoordelijkheid, machine learning, beslisbomen, wegongevallen