Creating a Culture of Safe Driving Behaviors
Notice bibliographique
Résumé
Abstract Within the oil and gas industry, and in particular Canada, driving to and from the lease site poses the greatest risk to employees. Given the variety of driving terrains, changing weather conditions, remoteness of the wellsite and driver complacency, the driving risk also represents the greatest challenge for making improvements. At Halliburton Group Canada, several approaches have been used in an attempt to reduce both the severity and frequency of motor vehicle collisions. The approach taken involved primarily behavior-based strategies, but also utilized traditional approaches to driver related behavior management such as policies and driver education. By examining the lagging indicators related to our various product service lines, we have observed a continued decrease year over year in the number of severe collisions. In 2000, Halliburton Group Canada was driving approximately 400,000 miles between serious wrecks. Today, with the systems in place, this number has significantly increased to over 2,500,000 miles. With these statistics in mind and utilizing a more traditional or compliance-based approach to driving-related issues, a decrease in the overall number of motor vehicle-related issues would also have been expected. However, with the positive behavioral approach taken, the opposite has been observed. During the same time, a significant increase in the reporting of the more minor fender benders and near misses was observed. In a completely compliance, or traditional approach, these types of incidents would have gone unreported and been dealt with on a reactive basis. This case study will provide evidence supporting our belief that creating a culture of acceptable driving behaviors through behavior-based changes can have a significant, longer-term impact that provides sustainability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».