PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.22694v1cs.AI

치매 관련 교통사고 중증도 예측을 위한 감사 가능·보정 AI: 인간 검토를 지원하는 선택적 위임 프레임워크

Toward Auditable and Calibrated AI for Dementia-Related Crash Severity Prediction: A Selective Deferral Framework to Support Human Review

공공 교통사고 데이터베이스는 자동화된 안전 분석을 점점 더 지원하지만, 모델이 주로 일반 분류기로만 평가될 때 교통사고 중증도 예측을 공공 부문 의사결정 워크플로에 반영하기는 여전히 어렵다. 본 연구는 �치매 관련 교통사고 중증도 모델링을 의사결정 인식 트리아지 문제로 재구성한다. 시스템은 사고를 부상 없음·재산 피해만(O), 경미 또는 중등도 부상(BC), 치명 또는 중증 부상(KA)으로 분류해야 하며, 동시에 결과 누출(outcome leakage)을 통제하고, 심각한 과소 트리아지(under-triage)를 보고하며, 신뢰도를 보정(calibration)하고, 감사를 위해 모든 원시 예측을 보존해야 한다. 구조화 필드와 경찰 서술을 포함한 텍사스 교통사고 기록 4,781건을 사용하여, 계층화 70/15/15 분할 하에서 구조화, 서술, 융합, 보정 융합, BERT 계열, 로컬 대규모 언어 모델(LLM) baseline을 평가한다. 보고된 분할에서 누출 통제 Gemma가 가장 높은 관측 macro-F1(0.545; 95% 부트스트랩 CI [0.507, 0.583])을 기록한다. 최상의 보정 융합 모델은 macro-F1 0.522와 기대 보정 오차(expected calibration error) 0.033을 얻는다. 선택적 위임(selective deferral)은 자동 분류에 남겨진 사례에서 성능을 개선한다. 70% 커버리지에서 macro-F1은 0.573으로 상승하고 중증도 비용(severity cost)은 0.577로 감소하며, 위임된 사례는 제안된 인간 검토 절차 후보로 취급되고 본 실험에서는 추가로 평가되지 않는다. 본 연구는 교통사고 AI 시스템을 위한 재현 가능하고 누출 통제되며 불확실성 인식 평가 프레임워크를 제시하며, 정확도만이 아니라 감사 가능성과 선택적 위임을 강조한다.