MétaCan
Menu
Retour à la cohorte
Enregistrement W3111880994 · doi:10.1109/syscon47679.2020.9275852

Eliminative Argumentation for Arguing System Safety - A Practitioner’s Experience

2020· article· en· W3111880994 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

Revue2020 IEEE International Systems Conference (SysCon) · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueSafety Systems Engineering in Autonomy
Établissements canadiensCritical Systems Labs
Organismes subventionnairesnon disponible
Mots-clésArgumentation theorySafety caseArtifact (error)Risk analysis (engineering)NotationComputer scienceLife-critical systemSet (abstract data type)System safetyAutomotive industryDefeasible estateSoftwareEngineeringArtificial intelligenceBusinessReliability engineeringEpistemologyMathematicsProgramming language

Résumé

récupéré en direct d'OpenAlex

Safety cases are an essential artifact for establishing the safety of complex systems. Industrial use of safety cases varies between industries. Due to inconsistent regulatory guidance, numerous different strategies, notations, and techniques have been developed for safety case construction. Eliminative Argumentation (EA) has been proposed as a technique to systematically improve confidence in a safety case via `defeasible reasoning' wherein reasons to doubt safety claims are introduced and subsequently eliminated. Elimination of doubt results in increased confidence. This paper reports on the application of EA to seven different software-intensive systems in the automotive, rail, and industrial control industries. Our experiences suggest that EA's doubt-driven approach to safety argumentation increases confidence in a safety case and can be used to support activities such as independent safety assessments and safety verification and validation. From our experiences we synthesized into a set of lessons learned.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,980
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,266
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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