Capturing Expert Knowledge to Inform Decision Support Technology for Marine Operations
Notice bibliographique
Résumé
The digital transformation of the offshore and maritime industries will present new safety challenges due to the rapid change in technology and underlying gaps in domain knowledge, substantially affecting maritime operations. To help anticipate and address issues that may arise in the move to autonomous maritime operations, this research applies a human-centered approach to developing decision support technology, specifically in the context of ice management operations. New technologies, such as training simulators and onboard decision support systems, present opportunities to close the gaps in competence and proficiency. Training simulators, for example, are useful platforms as human behaviour laboratories to capture expert knowledge and test training interventions. The information gathered from simulators can be integrated into a decision support system to provide seafarers with onboard guidance in real time. The purpose of this research is two-fold: (1) to capture knowledge held by expert seafarers, and (2) transform this expert knowledge into a database for the development of a decision support technology. This paper demonstrates the use of semi-structured interviews and bridge simulator exercises as a means to capture seafarer experience and best operating practices for offshore ice management. A case-based reasoning (CBR) model is used to translate the results of the knowledge capture exercises into an early-stage ice management decision support system. This paper will describe the methods used and insights gained from translating the interview data and expert performance from the bridge simulator into a case base that can be referenced by the CBR model.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».