Der anhaltende Anstieg der Verkehrstoten stellt weltweit eine ernsthafte Herausforderung für die öffentliche Gesundheit und die sozioökonomische Lage dar. Die Dokumentation von Unfällen, die reich an kontextuellen Informationen ist, existiert überwiegend in freien Textformaten, die sich einer skalierbaren automatisierten Verarbeitung widersetzen. Zeitgenössische Fortschritte in der Künstlichen Intelligenz (KI), der Verarbeitung natürlicher Sprache (NLP) und des Deep Learning bieten jetzt vielversprechende Möglichkeiten, solche unstrukturierten Narrative in umsetzbare Sicherheitsinformationen umzuwandeln. Diese Umfrage untersucht, wie Architekturansätze für das Multitasking-Lernen (MTL) gleichzeitig zwei miteinander verbundene Ziele angehen können: die Identifizierung mehrerer gleichzeitig auftretender Verkehrsverstöße (z. B. Geschwindigkeitsüberschreitung, Nichteinhaltung von Signalen, fehlender Helm, falsche Fahrbahnbenutzung und unbefugtes Parken) und die Einschätzung der Schwere der resultierenden Kollisionen. Aus den von uns geprüften Studien geht hervor, dass keine einzelne Modellfamilie dominiert – Transformer-Encoder verarbeiten Text gut, Graphnetzwerke handhaben die Straßentopologie gut, und probabilistische Modelle gehen gut mit Unsicherheiten um, doch die Kombination aller drei bleibt eine offene ingenieurtechnische Herausforderung. Über die rohe Vorhersagegenauigkeit hinaus erwies sich das schwierigere Problem als die Schaffung von Vertrauen in diese Systeme für die reale Durchsetzung – Erklärungswerkzeuge helfen, sind jedoch für rechtliche Kontexte noch unzureichend. Diese Notwendigkeit nach Vertrauen in reale Anwendung bleibt bestehen. Wir schließen mit der Feststellung, was das Feld dringend benötigt: gemeinsame Benchmark-Datensätze, standardisierte Evaluationsmetriken und ein ehrliches Engagement mit den Fairness- und Rechenschaftsfragen, die sich zwangsläufig bei der Bereitstellung stellen werden.
V et al. (Sun,) untersuchten diese Frage.