Using the Functional Resonance Analysis Method (FRAM) in Aviation Safety: A Systematic Review
Notice bibliographique
Résumé
The functional resonance analysis method (FRAM) is a system-based method to understand highly complex sociotechnical systems. Besides learning from safety occurrences or undesirable states, FRAM can be used to understand how things go well in a system, by identifying gaps between “work as imagined” (WAI) and “work as done” (WAD). FRAM is increasingly used in many domains and can enhance our understanding of a complex system and proposes strategies to refine the work design. This systematic review identified 108 FRAM research papers from 2006–2019. Most of these papers were conducted by European researchers and employed qualitative methods such as document analysis, interviews, and focus groups with subject matter experts (SMEs) and observations to develop WAI and WAD. Despite being used in healthcare, construction, and maritime sectors among others, aviation was the most commonly explored domain in FRAM studies. The 26 FRAM studies in aviation explored many aspects of the aviation industry, including Air Traffic Control (ATC) systems, cockpit operation, ground handling, maintenance, and a range of past safety incidents, like runway incursions. This paper also characterises the FRAM studies focused on aviation in terms of the common methods and steps used to build FRAM and the available software tools to build FRAM nets. Current FRAM illustrates its advantages in capturing the dynamic and nonlinear nature of complex systems and facilitates our understanding and continual improvement of complex systems. However, there are some critical issues in FRAM use and interpretation, such as the consistency of methods and complexity and reliability of data collection methods, which should be considered by researchers and FRAM users in industry.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,002 |
| 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 ».