使用表格基础模型和 System One 模型估计未编码的事故因素：Kumo Tabular 和 Jev

arXiv:2610.10321v1 公告类型：cross 摘要：道路安全项目统计警方事故记录中的编码字段，而警员叙述通常会记录字段遗漏的因素，却很少被阅读。因此，安全部门无法了解其统计遗漏了多少，也无法确定应在哪里开展复核。本研究开发并评估了一个系统，将2017年至2025年德州5,601,890起事故的这两种信息结合起来，生成具有明确有效性说明的总体估计。上下文学习表格基础模型 Kumo Tabular 读取每起事故的编码记录；经过校准的 System One 模型 Jev 读取两个概率样本中的叙述文本；人工判断则对其概率进行再校准。一个多轮“先预测、后去偏”的估计器将这三个层级结合起来，另一个按照已记录概率抽取的人工层级则通过设计检验这些估计。对于水滑、突发医疗状况、疲劳、动物和手机使用，叙述文本记录的伤害事故多于编码字段记录的数量；以手机使用为例，分别为15,074起和7,340起，而人工检验在误差范围内与全部15项估计一致。由 Kumo Tabular 排定优先级的重新阅读清单发现，经确认的不一致情况发生频率是随机阅读的7至58倍。在人工编码成本相同的规划条件下，再进行一轮人工判断，可将相对半宽度的均方根从22.0%降至16.2%，而阅读每一份叙述文本的结果为21.2%。两名分别读取不同信息视图、并通过抽样设计结合起来的校准阅读者，能够为安全部门提供统计数量、不一致情况分布图、经过验证的重新阅读清单以及阅读预算；其中，Kumo Tabular 读取表格的速度是 TabPFN 3.5 的15倍。