MétaCan
Menu
Retour à la cohorte
Enregistrement W2104423765 · doi:10.1177/154193120605000117

Ice Detection Capabilities under Aircraft Post Deicing Conditions

2006· article· en· W2104423765 sur OpenAlexaffabout
Edmundo A. Sierra, Kimberlea Bender, 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 canadiensInternational Civil Aviation OrganizationTransport Canada
Organismes subventionnairesnon disponible
Mots-clésEngineeringRange (aeronautics)IcingAeronauticsMeteorologyEnvironmental scienceMarine engineeringAerospace engineeringGeography

Résumé

récupéré en direct d'OpenAlex

Human visual and tactile ice detection capabilities while inspecting deiced aircraft surfaces have not been quantified. Six male professional deicers from AeroMag 2000 Montreal participated in the experiment. We used a cold chamber to simulate one of the conditions experienced in the operational deicing environment. Ice samples were created by APS Aviation on white painted aluminum panels. Ice thicknesses ranged from 0.2 mm to 1.0 mm and were covered with aircraft deicing fluid. We used a two-alternative forced-choice procedure in which we showed a deicer a panel, then a second panel, and finally asked him to indicate on which of the two ice was present. Our data showed that, within the range of thicknesses we presented, deicers were unable to visually detect ice of any thickness on the white painted panels, but could easily detect ice using a tactile check.

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 enseignants0,414
Score d'incertitude au seuil0,616

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 savante0,0000,000
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 Opus0,007
Tête enseignante GPT0,197
Écart entre enseignants0,190 · 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

Citations1
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