Resumen: Los accidentes de vehículos implican interacciones complejas entre los usuarios de la vía, decisiones en fracciones de segundo y condiciones ambientales desafiantes. Entre ellos, los accidentes entre dos vehículos son los más frecuentes, representan aproximadamente el 70% de los accidentes viales y plantean un desafío importante para la seguridad del tráfico. Identificar las acciones peligrosas del conductor (DHA) es esencial para comprender las causas de los accidentes; sin embargo, la confiabilidad de los datos de DHA en bases de datos a gran escala está limitada por prácticas de codificación manual inconsistentes y que requieren mucha mano de obra. Aquí, presentamos un marco innovador que aprovecha un modelo de lenguaje grande ajustado para inferir automáticamente los DHA a partir de narrativas textuales de fallas, mejorando así la validez y la interpretabilidad de las clasificaciones de DHA. Utilizando cinco años de datos de accidentes de dos vehículos de MTCF, ajustamos el modelo Llama 3.2 1B en narrativas detalladas de accidentes y comparamos su rendimiento con clasificadores de aprendizaje automático convencionales, incluidos Random Forest, XGBoost, CatBoost y una red neuronal. El LLM perfeccionado logró una precisión general del 80 %, superando todos los modelos de referencia y demostrando mejoras pronunciadas en escenarios con datos desequilibrados. Para aumentar la interpretabilidad, desarrollamos un enfoque de razonamiento probabilístico, analizando los cambios en los resultados del modelo en los conjuntos de pruebas originales y tres escenarios contrafactuales específicos: variaciones en la distracción del conductor y la edad. Nuestro análisis reveló que introducir distracciones para un conductor aumentaba sustancialmente la probabilidad de “conducción insegura general”; la distracción para ambos conductores maximizó la probabilidad de que “Ambos conductores realizaron acciones peligrosas”; y asignar a un conductor adolescente elevó notablemente la probabilidad de “infracciones de velocidad y detención”. Nuestro marco y métodos analíticos proporcionan una solución sólida e interpretable para la detección automatizada de DHA a gran escala, ofreciendo nuevas oportunidades para el análisis y la intervención en la seguridad del tráfico.
Publicado originalmente en export.arxiv.org el 15 de octubre de 2025.
Ver fuente original
