Hot Spots for Vessel-to-Vessel and Vessel-to-Fixed-Object Accidents Along the Great Lakes Seaway
Notice bibliographique
Résumé
In the past decade, an average of 20.5 vessel accidents per year have been reported along the Great Lakes Seaway (GLS) in Canada and the United States, with the vast majority clustered at specific unsafe locations or sites along the route. Sites with an unacceptably high potential for accidents are referred to as hot spots, and these hot spots are prime candidates for safety intervention. Because of the random nature of accidents, the identification of hot spots must be based on robust site-specific prediction models of accident expectation. This paper presents an empirical Bayes prediction model developed for the GLS that considers four types of accident scenarios: vessel to vessel and vessel to fixed objects, for river and for canal or lock sections. Hot spot sites are determined with two risk tolerance thresholds: 95th percentile exceedance (high-risk sites) and 85th percentile exceedance (moderate-risk and high-risk sites). For the 95th percentile threshold and vessel-to-vessel accidents, five hot spots were identified on the 1,600-km length of the GLS studied (excluding lake or port areas). Of the designated hot spot sections, 10 km (60.6%) were located along natural river courses and the rest at canals or locks. For vessel-to-fixed-objects accidents, all high-risk hot spots were at canal or lock sections (15.5 km). Reducing the threshold to the 85th percentile resulted in a 7.8% increase in seaway length that was designated as a hot spot. The locations of these hot spot sections along the GLS were consistent for both thresholds.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».