Utvärdering av ansvarsnivå vid gångolyckor med maskininlärningsalgoritmer

Varför detta spelar roll för vardagliga fotgängare och bilister

Att korsa gatan eller köra genom stan känns rutinmässigt, men när en krasch inträffar kan liv förändras på ett ögonblick—följt av smärtsamma frågor om vem som bär skulden. Denna studie granskar gångolyckor i en spansk stad och frågar om moderna datorverktyg kan hjälpa polis och domstolar att fastställa ansvar mer rättvist och konsekvent, genom att utnyttja mönster som döljer sig i verkliga olycksdata.

Att omvandla tragiska olyckor till användbar data

Forskarna samlade detaljerad information från 510 verkliga olyckor i Badajoz, Spanien, som alla gått igenom fulla rättsliga förfaranden. För varje olycka registrerade de hur ansvaret till sist fördelades mellan förare och fotgängare i fem kategorier: från olyckor där föraren var fullt ansvarig till sådana där skulden delades lika. Parallellt kodade de 14 enkla ja-eller-nej-fakta om varje fall, indelade i fyra områden: mänskligt beteende (såsom alkohol, droger, uppmärksamhet, reaktionstid), teknik (fordonsbesiktning och fotgängarens synlighet i klädsel), gatumiljö (plats och belysning) och trafikregler (körkortstatus, hastighet och mobiltelefonanvändning).

Att lära datorer att känna igen skuldsmönster

Med denna datamängd testade teamet flera maskininlärningsmetoder—datorprogram som lär sig mönster från exempel. De jämförde väletablerade tillvägagångssätt och fokuserade på tre som fungerade bäst för uppgiften: beslutsträd, Naïve Bayes och stödvektormaskiner. Varje modell tränades på 60 % av olyckorna och utmanades sedan att förutsäga ansvarskategorier för de återstående 40 %. För att undvika att modellerna helt enkelt ”memorerade” data använde forskarna korsvalideringstekniker och balanserade noggrant de mindre vanliga kategorierna, såsom fall där ansvaret var exakt 50–50.

Rensa signalerna innan datorn tillfrågas

Mer information är inte alltid bättre. Teamet kontrollerade först om någon av de 14 variablerna i praktiken återberättade samma sak. De fann att alkohol- och droganvändning för både förare och fotgängare var starkt överlappande par. Genom att behålla endast en variabel från varje par minskade listan till 12 distinkta faktorer. Modeller tränade på detta renare inmatningsset presterade faktiskt bättre: att ta bort redundant information minskade brus och hjälpte algoritmerna att göra klarare åtskillnader mellan olika ansvarsnivåer.

Vilken modell vann — och vilka faktorer betyder mest

I många tester kom beslutsträdet ut som vinnare. Det uppnådde cirka 78 % total noggrannhet med det reducerade 12-variabelsetet och var snabbare och lättare vad gäller beräkningsresurser än de andra metoderna. Beslutsträd har en annan fördel: de visar naturligt vilka informationsdelar som väger tyngst i det slutliga beslutet. I denna studie var den klart mest inflytelserika faktorn—nästan hälften av beslutsvikten—om föraren hade ett giltigt körkort. Näst i betydelse kom var fotgängaren befann sig (särskilt om de var vid eller nära ett övergångsställe), om föraren var påverkad av alkohol eller droger och om föraren var distraherad av en mobiltelefon. Fotgängardistraktioner, klädselns synlighet och belysning spelade också roller, men i mindre utsträckning.

Från rättssalens stöd till säkrare gator

Vissa situationer förblev svåra för algoritmerna att bedöma, särskilt sällsynta fall där ansvaret var exakt delat mellan förare och fotgängare. Författarna argumenterar för att sådana gränsfall fortfarande bör granskas noggrant av mänskliga experter. Ändå kan de verktyg de utvecklat stödja domare och trafikkår genom att ge en objektiv, datadriven ”andra åsikt”, peka ut när mönster överensstämmer med tidigare avgöranden och frigöra yrkespersoner att fokusera på de mest komplexa fallen. Lika viktigt är att resultaten pekar på tydliga prioriteringar för förebyggande åtgärder: att upprätthålla körkortsregler, slå ner på rattfylleri och drograttfylleri, begränsa mobilanvändning vid ratten och skydda fotgängare vid övergångsställen. I vardagliga termer visar studien att både smartare datorer och säkrare beteenden kan bidra till att avgöra ansvar mer rättvist—och minska antalet människor som hamnar i dessa tragiska situationer från första början.

Citering: 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

Nyckelord: gångsäkerhet, trafikansvar, maskininlärning, beslutsträd, trafikolyckor