A Better Way to Train Personnel to Be Safe in Emergencies
Notice bibliographique
Résumé
Offshore petroleum platforms present complex, time-sensitive situations that can make emergency evacuations difficult to manage. Virtual environments (VE) can train safety-critical tasks and help prepare personnel to respond to real-world offshore emergencies. Before industries can adopt VE training, its utility must be established to ensure the technology provides effective training. This paper presents the results of two experiments that investigated the training utility of VE training. The experiments focused particularly on determining the most appropriate method to deliver offshore emergency egress training using a virtual environment. The first experiment used lecture-based teaching (LBT). The second experiment investigated the utility of a simulation-based mastery learning (SBML) pedagogical method from the medical field to address offshore emergency egress training. Both training programs (LBT and SBML) were used to train naïve participants in basic onboard familiarization and emergency evacuation procedures. This paper discusses the training efficacy of the SBML method in this context and compares the results of the SBML experimental study to the results of the LBT training experiment. Efficacy of the training methods is measured by a combination of time spent training and performance achieved by each of the training groups. Results show that the SBML approach to VE training was more time effective and produced better performance in the emergency scenarios. SBML training can help address individual variability in competence. Limitations to the SBML training are discussed and recommendations to improve the delivery of SBML training are presented. Overall, the results indicate that employing SBML training in industry can improve human reliability during emergencies through increased competence and compliance.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».