MétaCan
Menu
Retour à la cohorte
Enregistrement W2561801515 · doi:10.1115/ipc2016-64173

Risk Profiling for the Pipeline Industry: Application of Best Practices From the Aviation Industry

2016· article· en· W2561801515 sur OpenAlexaboutno aff
Lorna Harron, Kimberley Turner

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueRisk and Safety Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRisk managementRisk analysis (engineering)AviationRisk assessmentAsset (computer security)Corporate governanceBusinessEngineeringComputer scienceFinanceComputer security

Résumé

récupéré en direct d'OpenAlex

Enbridge partnered with Aerosafe Risk Management to perform risk profiling to assist strategic planning activities aimed at safety performance improvement. A preliminary risk report, the first step towards an Industry Risk Profile (IRP) was the outcome. An IRP presents a strategic view of the risks within an industry sector at a point in time, requiring input from many stakeholders including operators, associations, and regulators. Most importantly, an IRP facilitates joint solutioning of risks to achieve improved safety performance and industry wide risk reduction. The preliminary risk report considered Enbridge data in addition to publically available information from associations and regulators to produce a preliminary risk report. The data gathering process considered information related to governance and oversight, compliance regime, assurance model, asset capabilities, industry operating environment, industry safety profile, and operator profile. Results of the preliminary risk report are shared in this paper, with applicability to other operators, associations, and regulators. Providing the first building block of the IRP, these results focus on how organizations like Enbridge who aspire to participate or lead industry level reform or change can use the data to reshape their corporate risk based decision making. This approach, if adopted more broadly across the industry could provide as far reaching results as those seen in the aviation, military and transport sectors. The IRP methodology and approach developed by Aerosafe in the mid-2000s, is now well entrenched in the aviation industry and is used by regulators and industry alike to create a pathway for industry level risk reduction and notable reform. The use of an IRP is considered best practices by the aviation, transport and regulatory sectors in the USA, Canada, Australia and New Zealand and after being in use in some sectors of aviation around the globe since 2008, the results are now measurable. These results provide a strong and clear link between safety performance improvement and the management and reduction of the industry risk profile.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,109
score de la tête « metaresearch » (Gemma)0,135
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,109
Score d'incertitude au seuil0,577

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1090,135
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0190,008
Études des sciences et des technologies0,0050,004
Communication savante0,0180,013
Science ouverte0,0080,012
Intégrité de la recherche0,0050,007
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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 Opus0,153
Tête enseignante GPT0,423
Écart entre enseignants0,270 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRisk and Safety AnalysisTravaux en français237 207