Ocena poziomu odpowiedzialności w wypadkach z udziałem pieszych z wykorzystaniem algorytmów uczenia maszynowego

Dlaczego to ma znaczenie dla codziennych pieszych i kierowców

Przechodzenie przez ulicę lub jazda po mieście wydają się rutynowe, ale gdy dochodzi do wypadku, życie może zmienić się w mgnieniu oka — a potem pojawiają się bolesne pytania o to, kto ponosi winę. Badanie to analizuje wypadki z udziałem pieszych w jednym hiszpańskim mieście i pyta, czy nowoczesne narzędzia komputerowe mogą pomóc policji i sędziom w sprawiedliwszym i bardziej spójnym ustalaniu odpowiedzialności, wykorzystując wzorce ukryte w rzeczywistych danych o wypadkach.

Przekształcanie tragicznych wypadków w użyteczne dane

Naukowcy zebrali szczegółowe informacje z 510 rzeczywistych wypadków w Badajoz w Hiszpanii, które wszystkie przeszły pełne postępowania prawne. Dla każdego zdarzenia odnotowali, jak ostatecznie rozłożono odpowiedzialność między kierowcę a pieszego, używając pięciu kategorii: od wypadków, w których kierowca był w pełni odpowiedzialny, po przypadki, w których wina była podzielona równo. Równolegle zakodowali 14 prostych faktów tak/nie dotyczących każdego zdarzenia, pogrupowanych w cztery obszary: zachowania ludzkie (np. alkohol, narkotyki, uwaga, czas reakcji), technologia (przegląd pojazdu i widoczność ubrania pieszego), otoczenie ulicy (lokalizacja i oświetlenie) oraz zasady ruchu drogowego (posiadanie uprawnień, prędkość i używanie telefonu komórkowego).

Nauczanie komputerów rozpoznawania wzorców winy

Z tym zbiorem danych zespół przetestował kilka metod uczenia maszynowego — programów komputerowych uczących się wzorców na przykładach. Porównali znane podejścia i skupili się na trzech, które najlepiej sprawdziły się w tym zadaniu: drzewa decyzyjne, Naiwny Bayes i maszyny wektorów nośnych. Każdy model trenowano na 60% wypadków, a następnie testowano, by przewidzieć kategorie odpowiedzialności dla pozostałych 40%. Aby uniknąć „zapamiętania” danych przez modele, badacze zastosowali techniki walidacji krzyżowej i starannie zrównoważyli mniej częste kategorie, takie jak przypadki, gdy odpowiedzialność była dokładnie 50–50.

Oczyszczanie sygnałów przed zadaniem pytania komputerowi

Więcej informacji nie zawsze znaczy lepiej. Zespół najpierw sprawdził, czy któreś z 14 zmiennych nie powtarza w zasadzie tej samej informacji. Okazało się, że użycie alkoholu i narkotyków zarówno u kierowców, jak i u pieszych tworzyło silnie nakładające się pary. Zachowując tylko jedną zmienną z każdej pary, lista zmniejszyła się do 12 odrębnych czynników. Modele trenowane na tym oczyszczonym zbiorze wejść faktycznie działały lepiej: usunięcie redundantnych informacji zmniejszyło szum i pomogło algorytmom wyraźniej rozróżniać różne poziomy odpowiedzialności.

Który model wygrał i które czynniki naprawdę się liczą

W wielu testach najlepszy okazał się model drzewa decyzyjnego. Osiągnął on około 78% ogólnej trafności przy zredukowanym zestawie 12 zmiennych i był szybszy oraz mniej zasobożerny niż pozostałe metody. Drzewa decyzyjne mają jeszcze jedną zaletę: naturalnie pokazują, które informacje ważą najbardziej w końcowej decyzji. W tym badaniu zdecydowanie najważniejszym czynnikiem — prawie połową wagi decyzyjnej — było posiadanie przez kierowcę ważnego prawa jazdy. Kolejne pod względem znaczenia były: miejsce, w którym znajdował się pieszy (zwłaszcza czy był przy przejściu dla pieszych), czy kierowca był pod wpływem alkoholu lub narkotyków oraz czy kierowca był rozproszony przez telefon komórkowy. Rozproszenie uwagi pieszego, widoczność ubrania i oświetlenie również miały znaczenie, ale w mniejszym stopniu.

Od pomocy sądowej do bezpieczniejszych ulic

Pewne sytuacje wciąż były trudne dla algorytmów, zwłaszcza rzadkie przypadki, gdy odpowiedzialność była dokładnie dzielona między kierowcę i pieszego. Autorzy argumentują, że takie sytuacje nadal powinny być dokładnie oceniane przez ekspertów ludzkich. Nawet mimo to narzędzia, które opracowali, mogą wspierać sędziów i policję drogową, dostarczając obiektywnej, opartej na danych „drugiej opinii”, wskazując, kiedy wzorce pokrywają się z wcześniejszymi orzeczeniami i pozwalając profesjonalistom skupić się na najbardziej złożonych sprawach. Co równie ważne, wyniki wskazują jasne priorytety działań zapobiegawczych: egzekwowanie przepisów dotyczących uprawnień, zwalczanie prowadzenia po spożyciu alkoholu lub narkotyków, ograniczanie użycia telefonów za kierownicą oraz ochrona pieszych na przejściach. W praktyce badanie pokazuje, że zarówno inteligentniejsze systemy komputerowe, jak i bezpieczniejsze zachowania mogą pomóc w sprawiedliwszym ustalaniu odpowiedzialności — i zmniejszyć liczbę osób trafiających w ogóle w te tragiczne sytuacje.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo pieszych, odpowiedzialność w ruchu drogowym, uczenie maszynowe, drzewa decyzyjne, wypadki drogowe