Notice bibliographique
Résumé
After the horrific and deadly train explosion at Lac-Mégantic, Que. in the summer of 2013, there are serious questions being raised publicly about the safety of Canada’s rail-transport system. Unfortunately, Canada’s public rail-safety data are currently in no shape to provide the answers to those questions. When Canadians ask, as many have in recent months, whether the rail-transport system is “safe,” they surely want to know whether the accident record is low — compared to other countries and to other forms of transport — and whether it has been improving or getting worse over time. Yet, the statistics that might provide the answers are worryingly inaccessible, sometimes conflicting, and in certain cases not available at all. The inability to publicly monitor airline safety statistics would be considered unacceptable. Yet trains transporting volatile goods across Canada arguably expose entire communities, as in Lac-Mégantic, to potentially catastrophic dangers. How is it, then, that the Transportation Safety Board, Transport Canada and Statistics Canada do not even publicly report something as basic as the number of train trips made every year in Canada? Nor do their statistics distinguish between incidents and accidents involving passenger trains and those involving freight trains. And how is it that the total number of accidents in some years is reported differently by these various monitoring organizations? If Canadians are, as it appears, destined to see increasing volumes of goods, specifically dangerous goods, transported by rail, it is that much more important that the federal government significantly improve the reporting of rail-safety data. It is not only vital that our railroads are safe; it is just as vital for the public to have information showing exactly how safe they are.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 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 ».