MétaCan
Menu
Retour à la cohorte
Enregistrement W2786945802 · doi:10.1155/2018/1034301

The Influence of Errors in Visualization Systems on the Level of Safety Threat in Air Traffic

2018· article· en· W2786945802 sur OpenAlexvenueno aff
Paweł Ferduła, Jacek Skorupski

Notice bibliographique

RevueJournal of Advanced Transportation · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueRisk and Safety Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVisualizationAir traffic controlSituation awarenessAir traffic managementRedundancy (engineering)Computer scienceAir traffic controllerFuzzy logicSituation analysisCreative visualizationRisk analysis (engineering)Reliability engineeringEngineeringData miningArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Air traffic management is carried out by air traffic controllers assisted by complex technical systems that provide them with visualization of the traffic situation. In practice, visualization systems errors sometimes occur. The purpose of this paper is to determine the impact of errors of different types on the safety of the air traffic. The assessment of the threat level is influenced by subjective factors and cannot be expressed precisely. Therefore, the fuzzy reasoning theory has been used. The developed fuzzy model has been used to obtain a tool for simulation of the impact of various factors on traffic safety assessment. The results obtained indicate that the most important determinants of safety are the time when the air traffic controller remains unaware of the breakdown and the total time he/she does not have full knowledge of the traffic situation. It has been found that the key role for the proper operation of the air traffic visualization system and the restoration of full situational awareness is played by self-diagnostic systems that can restore the system’s correct functioning without even the controller being aware of the error occurrence. Their role in ensuring safety might be even greater than redundancy which is commonly used.

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)0,003
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,972
Score d'incertitude au seuil0,177

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
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 Opus0,066
Tête enseignante GPT0,370
Écart entre enseignants0,304 · 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

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetRisk and Safety AnalysisTravaux en français237 207