Implementing Bayesian networks for ISO 31000:2018-based maritime oil spill risk management: State-of-art, implementation benefits and challenges, and future research directions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The risk of a large-scale oil spill remains significant in marine environments as international maritime transport continues to grow. The environmental as well as the socio-economic impacts of a large-scale oil spill could be substantial. Oil spill models and modeling tools for Pollution Preparedness and Response (PPR) can support effective risk management. However, there is a lack of integrated approaches that consider oil spill risks comprehensively, learn from all information sources, and treat the system uncertainties in an explicit manner. Recently, the use of the international ISO 31000:2018 risk management framework has been suggested as a suitable basis for supporting oil spill PPR risk management. Bayesian networks (BNs) are graphical models that express uncertainty in a probabilistic form and can thus support decision-making processes when risks are complex and data are scarce. While BNs have increasingly been used for oil spill risk assessment (OSRA) for PPR, no link between the BNs literature and the ISO 31000:2018 framework has previously been made. This study explores how Bayesian risk models can be aligned with the ISO 31000:2018 framework by offering a flexible approach to integrate various sources of probabilistic knowledge. In order to gain insight in the current utilization of BNs for oil spill risk assessment and management (OSRA-BNs) for maritime oil spill preparedness and response, a literature review was performed. The review focused on articles presenting BN models that analyze the occurrence of oil spills, consequence mitigation in terms of offshore and shoreline oil spill response, and impacts of spills on the variables of interest. Based on the results, the study discusses the benefits of applying BNs to the ISO 31000:2018 framework as well as the challenges and further research needs.
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.
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 | 0,000 |
| 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) | 0,000 | 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 découle