德州560万起车祸的叙述里藏着编码字段漏掉的因素：手机使用类伤害事故，叙述记下15074起，字段只记7340起

同一份车祸记录的两种读法被放进一套估计系统，输出的是全州计数、不一致地图、重读清单和阅读预算，而不是单点预测。 此前编码字段与警员叙述几乎从不放在同一套抽样设计下互相测量，安全部门只知道自己数了什么，不知道漏了多少。 在德州2017至2025年5601890起车祸上，覆盖5018080起带可用叙述的车祸，第二个人工层按记录概率抽取，与全部十五个估计在其抽样误差内一致。

编码表读的是每起车祸的结构化记录，叙述读的是抽样到的文本，人工判断用来校准叙述读出的概率。 此前表格模型只用于预测结果，不作为推断设计里的读数器，预测驱动推断也只用一个代理。 表格读数器是Kumo Tabular小号，上下文6万行；叙述读数器是Jev 1.13.0，读第一波15万条简单随机样本和第二波79510条按不一致分数抽取的叙述；人工层是400条叙述上的2309条可用判断。

下一步可以在其他州重复这套设计，看多少不一致属于德州做法；也可以跨两个读数器的版本重复，看读数器更换时估计有多稳定。对没有坐标的车祸叙述做一次清洗后读取，可以把外推组纳入实测人口；按分配规则扩大人工层，可以收窄由校准层主导的区间。把车祸、单元、人员三张表联合读取的关系型表格读数器，是编码视图的自然延伸。

叙述读数器是训练数据未公开的闭源商业模型，其读数被固定在一个版本上，靠两个人工层审计和校准，而不是靠检查内部。对没有可用叙述的车祸的外推按构造是模型驱动的，与每个估计分开报告。车辆缺陷的估计有41%落在人工核查的概率阈值以下，肇事逃逸和故意碰撞的核查区间最宽，这些行的人工一致性证据最弱。校准层承载了大部分方差，酒精为95%，逆行驾驶为99%，因此表格读数器对总半宽的收窄有限。