MétaCan
Menu
Retour à la cohorte
Enregistrement W2078094379 · doi:10.1177/154193120605001772

Comparison of Human Ice Detection Capabilities and Ground Ice Detection System Performance under Post Deicing Conditions

2006· article· en· W2078094379 sur OpenAlexaffabout
Scott M. Terrace, Kimberlea Bender, Edmundo A. Sierra, Isabelle Marcil, John D'Avirro, Edward Pugacz, Frank Eyre

Notice bibliographique

RevueProceedings of the Human Factors and Ergonomics Society Annual Meeting · 2006
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSmart Materials for Construction
Établissements canadiensTransport Canada
Organismes subventionnairesnon disponible
Mots-clésEngineeringAviationVisual inspectionCrewInternational airportAeronauticsAviation safetyTransport engineeringComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Currently, after deicing operations, the presence of residual ice on an aircraft's wing is determined by a human deicer from a deicing ground crew via visual and tactile inspections. One method proposed to overcome some of the safety and physical concerns associated with human inspections is to use Ground Ice Detection Systems (GIDS). However, before regulatory authorities can consider GIDS for operational use, their performance had to be compared to human ice detection capabilities. In August 2005, the Federal Aviation Administration (FAA) William J. Hughes Technical Center's (WJHTC) Simulation and Analysis Group conducted a study sponsored by the FAA Office of Aviation Research, Flight Safety Branch (WJHTC), and Transport Canada's Transportation Development Centre to compare human ice detection performance using current visual and tactile techniques with the performance of two different GIDS under post deicing inspection scenarios. Nine male deicers from Globe Ground at Toronto Pearson Airport and Aero Mag 2000 Montreal performed post deicing inspections using three methods: the current method (Visual inspections and Tactile inspections), the GIDS1 method, and the GIDS2 method. Three separate post-deicing scenarios were presented each day for three days: a wing with 12 ice patches (High Contamination), three ice patches (Low Contamination), and a clean wing (No Contamination). Accuracy data, false detection data, and time to complete an inspection were collected and analyzed for each condition. The results from the study consistently indicated that overall GIDS1 was superior to human visual and tactile inspections and GIDS2 inspections in terms of accuracy, false detections, and stability in performance. Participants using GIDS1 were able to detect all patch sizes and thicknesses with the greatest accuracy while the other methods' accuracy improved as a function of patch size and thickness. In addition, inspections completed by the GIDS1 manufacturer throughout the study suggest that, with time and experience, performance could further improve.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,304
Score d'incertitude au seuil0,787

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,221
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the Human Factors and Ergonomics Society Annual MeetingMême sujetSmart Materials for ConstructionTravaux en français237 207