Notice bibliographique
Résumé
Abstract Massive data and experience exist on the rates and causes of errors and accidents in modern industrial and technological society. We have examined the available human record, and have shown the existence of learning curves, and that there is an attainable and discernible minimum or asymptotic lower bound for error rates. The major common contributor is human error, including in the operation, design, manufacturing, procedures, training, maintenance, management, and safety methodologies adopted for technological systems. To analyze error and accident rates in many diverse industries and activities, we used a combined empirical and theoretical approach. We examine the national and international reported error, incident and fatal accident rates for multiple modern technologies, including shipping losses, industrial injuries, automobile fatalities, aircraft events and fatal crashes, chemical industry accidents, train derailments and accidents, medical errors, nuclear events, and mining accidents. We selected national and worldwide data sets for time spans of up to ∼200 years, covering many millions of errors in diverse technologies. We developed and adopted a new approach using the accumulated experience; thus, we show that all the data follow universal learning curves. The vast amounts of data collected and analyzed exhibit trends consistent with the existence of a minimum error rate, and follow failure rate theory. There are potential and key practical impacts for the management of technological systems, the regulatory practices for complex technological processes, the assignment of liability and blame, the assessment of risk, and for the reporting and prediction of errors and accident rates. The results are of fundamental importance to society as we adopt, manage, and use modern technology. © 2003 Wiley Periodicals, Inc. Hum Factors Man 13: 279–291, 2003.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».