Burning biases: Mitigating cognitive biases in fire engineering
Notice bibliographique
Résumé
Summary Fire engineering has developed into a mainstream engineering discipline within the building design process. Building fire codes are increasingly complex, comprising thousands of requirements regarding a wide range of topics that must be considered. Fire engineers are required to possess increasingly complex knowledge about a variety of subjects, along with expertise in their application. This has been magnified with the proliferation of performance‐based methods using a range of computational tools. This coupled with increased project performance pressures, raises the potential for errors in judgment. Errors in judgment may be caused by limitations in a given resource (e.g. time, information available, knowledge, etc) and/or neglect/over‐focus on specific information (at the expense of other and more relevant information) through cognitive biases. This paper initially provides a broad overview of general decision‐making, including the use of heuristics and cognitive biases. Examples of cognitive biases are presented which may be linked to errors in fire engineer decision‐making. This study considers several fire engineering decision contexts where cognitive biases may exist which are associated with fire code application, modeling/calculations, probabilistic risk assessments, general fire engineering practice, and perceptions based on experience. Potential measures to mitigate some of these biases and prompt better decision‐making are discussed. Those that may benefit from awareness of such biases and mitigation measures include not only practicing fire engineers, but also building developers, fire code committees, evacuation/fire/structural fire modeling developers, approving authorities, and fire engineering researchers/students.
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 | 0,012 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».