Yaya kazalarında sorumluluk seviyesinin makine öğrenimi algoritmalarıyla değerlendirilmesi

Günlük yürüyüş yapanlar ve sürücüler için neden önemli

Sokaktan karşıdan karşıya geçmek veya şehir içinde araç kullanmak rutin görünür, ancak bir kaza olduğunda hayatlar anında değişebilir—ardından da kimin suçlu olduğuna dair acı sorular gelir. Bu çalışma, İspanya’daki bir şehirdeki yaya kazalarını inceliyor ve modern bilgisayar araçlarının gerçek kaza verilerindeki gizli desenleri kullanarak polis ve hakimlerin sorumluluğu daha adil ve tutarlı şekilde belirlemesine yardımcı olup olamayacağını sorguluyor.

Trajik kazaları işe yarar verilere dönüştürmek

Araştırmacılar, tamamı yasal süreçten geçmiş 510 gerçek dünya kazasına ait ayrıntılı bilgileri Badajoz, İspanya’dan topladı. Her kaza için sürücü ile yaya arasındaki sorumluluğun nihai paylaşımını beş kategoriyle kaydettiler: sürücünün tamamen sorumlu olduğu durumlardan, suçun eşit paylaşıldığı durumlara kadar. Bunun yanısıra her olay için 14 basit evet/hayır bilgisini kodladılar; bu veriler dört alana gruplanmıştı: insan davranışı (alkol, uyuşturucu, dikkat, reaksiyon süresi gibi), teknoloji (araç muayenesi ve yayanın giydiği kıyafetin görünürlüğü), sokak ortamı (konum ve aydınlatma) ve trafik kuralları (ehliyet durumu, hız ve cep telefonu kullanımı).

Bilgisayarlara suçlama desenlerini öğretmek

Bu veri setiyle ekip, örneklerden desenler öğrenen bilgisayar programları olan çeşitli makine öğrenimi yöntemlerini test etti. İyi bilinen yaklaşımları karşılaştırdılar ve bu görev için en iyi çalışan üçüne odaklandılar: karar ağaçları, Naive Bayes ve destek vektör makineleri. Her model kazaların %60’ı üzerinde eğitildi ve kalan %40 için sorumluluk kategorilerini tahmin etmeye çalıştı. Modellerin veriyi sadece "ezberlemesini" önlemek için araştırmacılar çapraz doğrulama teknikleri ve sorumluluğun tam olarak %50–50 paylaşıldığı gibi daha az görülen kategorilerin dikkatli dengelenmesini kullandılar.

Bilgisayara sormadan önce sinyalleri temizlemek

Daha fazla bilgi her zaman daha iyi değildir. Ekip önce 14 değişkenden herhangi birinin temelde aynı bilgiyi tekrar edip etmediğini kontrol etti. Sürücü ve yaya için alkol ve uyuşturucu kullanımının güçlü örtüşen çiftler olduğunu buldular. Her çiftten yalnızca bir değişkeni tutmak listeyi 12 ayrı faktöre düşürdü. Bu daha temiz girdilerle eğitilen modeller aslında daha iyi performans gösterdi: gereksiz bilgilerin çıkarılması gürültüyü azalttı ve algoritmaların farklı sorumluluk seviyelerini daha net ayırmasına yardımcı oldu.

Hangi model kazandı ve hangi faktörler gerçekten önemli

Birçok testte karar ağacı modeli öne çıktı. Azaltılmış 12 değişkenli setle yaklaşık %78 genel doğruluk elde etti ve diğer yöntemlere göre daha hızlı ve daha az hesaplama kaynağı tüketti. Karar ağaçlarının başka bir avantajı da hangi bilgilerin nihai kararda en fazla ağırlığa sahip olduğunu doğal olarak göstermeleridir. Bu çalışmada en etkili faktör—karar ağırlığının neredeyse yarısı—sürücünün geçerli bir ehliyete sahip olup olmadığıydı. Önemi bakımından onu takip edenler: yayanın konumu (özellikle yaya geçidinde veya yakınında olup olmadığı), sürücünün alkol/uyuşturucu etkisi altında olup olmadığı ve sürücünün cep telefonuyla dikkatinin dağılmasıydı. Yayanın dikkatinin dağılması, kıyafet görünürlüğü ve aydınlatma da rol oynadı, ancak daha az ölçüde.

Mahkeme desteğinden daha güvenli sokaklara

Algoritmalar için hâlâ zor kalan durumlar mevcuttu; özellikle sorumluluğun tam olarak sürücü ve yaya arasında paylaşıldığı nadir vakalar zor oldu. Yazarlar, bu tür sınır durumlarının hâlâ insan uzmanlar tarafından dikkatle incelenmesi gerektiğini savunuyor. Buna rağmen, geliştirdikleri araçlar hakimlere ve trafik polisine nesnel, veri odaklı bir "ikinci görüş" sağlayarak, desenlerin geçmiş kararlarla eşleştiğini vurgulayabilir ve uzmanların en karmaşık vakalara odaklanmasını kolaylaştırabilir. Aynı derecede önemli olarak, bulgular önleme için net önceliklere işaret ediyor: ehliyet kurallarının uygulanması, sarhoş ya da uyuşturucu etkisindeki sürücülere karşı sıkı önlemler, direksiyon başında telefon kullanımının kısıtlanması ve yaya geçitlerinin korunması. Günlük açıdan bakıldığında çalışma, hem daha akıllı bilgisayarların hem de daha güvenli davranışların sorumluluğu daha adil şekilde belirlemeye yardımcı olabileceğini—ve bu trajik durumlara düşen kişi sayısını azaltabileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: yaya güvenliği, trafik sorumluluğu, makine öğrenimi, karar ağaçları, yol kazaları