How effective are Fatigue Risk Management Systems (FRMS)? A review
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
OBJECTIVE: Fatigue Risk Management Systems (FRMS) are a data-driven set of management practices for identifying and managing fatigue-related safety risks. This approach also considers sleep and work time, and is based on ongoing risk assessment and monitoring. This narrative review addresses the effectiveness of FRMS, as well as barriers and enablers in the implementation of FRMS. Furthermore, this review draws on the literature to provide evidence-based policy guidance regarding FRMS implementation. METHODS: Seven databases were drawn on to identify relevant peer-reviewed literature. Relevant grey literature was also reviewed based on the authors' experience in the area. In total, 2129 records were screened based on the search strategy, with 231 included in the final review. RESULTS: Few studies provide an evidence-base for the effectiveness of FRMS as a whole. However, FRMS components (e.g., bio-mathematical models, self-report measures, performance monitoring) have improved key safety and fatigue metrics. This suggests FRMS as a whole are likely to have positive safety outcomes. Key enablers of successful implementation of FRMS include organisational and worker commitment, workplace culture, and training. CONCLUSIONS: While FRMS are likely to be effective, in organisations where safety cultures are insufficiently mature and resources are less available, these systems may be challenging to implement successfully. We propose regulatory bodies consider a hybrid model of FRMS, where organisations could choose to align with tight hours of work (compliance) controls. Alternatively, where organisational flexibility is desired, a risk-based approach to fatigue management could be implemented.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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