Quantifying Risk in Air Sports: Flying Activity and Incident Rates in Paragliding
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
INTRODUCTION: The volume, nature, and risks of paragliding are poorly quantified. More comprehensive understanding, including incident rates allowing comparison to similar disciplines, will help direct and appraise safety interventions. METHODS: Paraglider pilots were surveyed regarding experience, incidents, recordkeeping, and risk perception. The survey could not capture those who had left the sport or died, so a subset of responses from UK pilots was compared to records from an incident database. RESULTS: There were 1788 (25%) responses from 7262 surveyed. Respondents flew a total of 87,909 h in 96,042 flights during 2019. Local flying was most frequent (n=37,680 flights, 39%) but a higher proportion of hours were spent flying cross-country (n=33,933 h, 39%). The remainder were spent in competition, hike and fly, tandem, aerobatic, or instructional flight. Flying incidents led to 103 (6%) respondents seeking medical attention, attending hospital, or missing a day of work in 2019. Near misses were reported by 423 (26%) pilots. Asymmetry and rotational forces typically led to incidents, and limb and back injuries resulted. Pilots frequently failed to throw their reserve parachutes. Only 3 (0.6%) incidents involved equipment failure, with the remainder attributed to control or decision errors. Incident rates of paragliding were estimated as 1.4 (1.1-1.9) deaths and 20 (18-27) serious injuries per 100,000 flights, approximately twice as risky as general aviation and skydiving. CONCLUSIONS: Incidents usually resulted from pilot error (control and decision), rather than equipment failure. Future safety interventions should focus on improving glider control skills and encouraging reserve parachute deployment.
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) | 0,001 | 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