Avaliação do nível de responsabilidade em acidentes com pedestres usando algoritmos de aprendizado de máquina

Por que isso importa para pedestres e motoristas do dia a dia

Atravessar a rua ou dirigir pela cidade parece rotineiro, mas quando ocorre um acidente, vidas podem mudar num instante—seguido por perguntas dolorosas sobre quem é o culpado. Este estudo analisa acidentes com pedestres em uma cidade espanhola e pergunta se ferramentas computacionais modernas podem ajudar policiais e juízes a definir a responsabilidade de forma mais justa e consistente, usando padrões ocultos em dados reais de acidentes.

Transformando acidentes trágicos em dados úteis

Os pesquisadores reuniram informações detalhadas de 510 acidentes reais em Badajoz, Espanha, todos com procedimentos legais concluídos. Para cada acidente, registraram como a responsabilidade foi finalmente atribuída entre motorista e pedestre em cinco categorias: desde acidentes em que o motorista foi totalmente responsável até aqueles em que a culpa foi igualmente compartilhada. Paralelamente, codificaram 14 fatos simples de sim/não sobre cada caso, agrupados em quatro áreas: comportamento humano (como álcool, drogas, atenção, tempo de reação), tecnologia (inspeção do veículo e visibilidade das roupas do pedestre), ambiente da via (local e iluminação) e regras de trânsito (situação da habilitação, velocidade e uso de celular).

Ensinando computadores a reconhecer padrões de culpa

Com esse conjunto de dados, a equipe testou vários métodos de aprendizado de máquina—programas de computador que aprendem padrões a partir de exemplos. Eles compararam abordagens conhecidas e focaram em três que funcionaram melhor para esta tarefa: árvores de decisão, Naïve Bayes e máquinas de vetores de suporte. Cada modelo foi treinado com 60% dos acidentes e depois desafiado a prever as categorias de responsabilidade para os 40% restantes. Para evitar que os modelos simplesmente “decorassem” os dados, os pesquisadores usaram técnicas de validação cruzada e equilibraram cuidadosamente as categorias menos comuns, como os casos em que a responsabilidade foi exatamente 50–50.

Limpando os sinais antes de consultar o computador

Mais informação nem sempre é melhor. A equipe verificou primeiro se alguma das 14 variáveis repetia essencialmente a mesma informação. Eles descobriram que o uso de álcool e drogas tanto por motoristas quanto por pedestres era fortemente sobreposto. Manter apenas uma variável de cada par reduziu a lista para 12 fatores distintos. Modelos treinados nesse conjunto mais limpo de entradas tiveram desempenho melhor: remover informação redundante reduziu o ruído e ajudou os algoritmos a fazer distinções mais claras entre os diferentes níveis de responsabilidade.

Qual modelo venceu e quais fatores realmente importam

Em muitos testes, o modelo de árvore de decisão foi o melhor. Ele alcançou cerca de 78% de acurácia geral com o conjunto reduzido de 12 variáveis e foi mais rápido e menos exigente em recursos computacionais do que os outros métodos. Árvores de decisão têm outra vantagem: mostram naturalmente quais informações pesam mais na decisão final. Neste estudo, de longe o fator mais influente—quase metade do peso da decisão—foi se o motorista tinha uma habilitação válida. Em seguida vieram onde o pedestre estava localizado (especialmente se estava em ou próximo a uma faixa de pedestres), se o motorista estava sob a influência de álcool ou drogas e se o motorista estava distraído por um celular. Distrações do pedestre, visibilidade das roupas e iluminação também tiveram papel, porém em menor grau.

Do auxílio em tribunais a ruas mais seguras

Algumas situações continuaram difíceis para os algoritmos julgarem, especialmente casos raros em que a responsabilidade foi exatamente compartilhada entre motorista e pedestre. Os autores argumentam que essas situações limítrofes ainda devem ser cuidadosamente revisadas por especialistas humanos. Ainda assim, as ferramentas desenvolvidas podem apoiar juízes e polícia de trânsito oferecendo uma “segunda opinião” objetiva e baseada em dados, destacando quando padrões coincidem com decisões passadas e liberando os profissionais para focarem nos casos mais complexos. Igualmente importante, os achados apontam prioridades claras para prevenção: fazer cumprir regras de habilitação, combater a condução sob efeito de álcool ou drogas, limitar o uso de celular ao volante e proteger pedestres nas travessias. Em termos práticos, o estudo mostra que tanto computadores mais inteligentes quanto comportamentos mais seguros podem ajudar a decidir a responsabilidade de forma mais justa—e reduzir o número de pessoas que acabam nessas situações trágicas.

Citação: 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

Palavras-chave: segurança de pedestres, responsabilidade no trânsito, aprendizado de máquina, árvores de decisão, acidentes rodoviários