Case study: maximising return on health, safety, environment, and quality (HSE&Q) investments
Notice bibliographique
Résumé
Farstad Shipping operates a fleet of large anchor handling and platform supply vessels globally. Priding itself on its motto Better By Far, Farstad Shipping’s vision of zero harm faced key safety challenges, including:leadership/communications;manual task-related injuries;fly in/fly out fatigue; mental health issues relating to stress, depression, etc.;an ageing workforce; and,changing/challenging client requirements. These challenges created a high level of indecision and frustration when trying to determine where best to focus time and money with HSE&Q programs to effectively impact operational productivity and safety performance. Beginning in 2007, Farstad Shipping partnered with Intertek Consulting & Training and implemented a framework designed to pinpoint areas of greatest concern. This approach uses research from OECD indicating best practice. Using this approach enabled Farstad to gather objective data on specific behaviours and to formulate targeted action plans that addressed the people, culture, processes, delivery and sustainability challenges identified above. The framework was applied at sea on more than 25 Farstad vessels via onboard coaching, at onshore workshops, and at the Offshore Simulation Centre based in Western Australia. Subsequently, some key achievements included: three-fold reduction in injury frequency; reduction of total recordable case frequency from 14.0 to >5.0; 50% reduction in workcover claims; and zero lost time injuries since September 2012. The methodology used by Farstad, which can be applied to organisations’ approaches to hiring, training, coaching, process design and leadership development, is examined in detail and its application to Farstad’s challenges explored.
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 | 0,012 | 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 | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».