A knowledge elicitation study to inform the development of a consequence model for Arctic ship evacuations: Qualitative and quantitative data
Notice bibliographique
Résumé
Expert knowledge was elicited to develop a life-safety consequence severity model for Arctic ship evacuations (Browne et al., 2021). This paper presents the associated experimental design and data. Through semi-structured interviews, participants identified factors that influence consequence severity. Through a survey, participants evaluated consequence severity of different ship evacuation scenarios. The methodology represents a two-phased mixed methods design. Life-safety consequence severity is measured as the expected number of fatalities resulting from an evacuation. Participants of the study were experts in various fields of the Arctic maritime industry. Sixteen experts participated in the interviews and the survey (sample size: n = 16). Sample size for the interviews was based on thematic data saturation. Predominantly the same group of experts participated in the survey. Interviews were analysed using thematic analysis. Interview data informed the development of evacuation scenarios defined in the survey. The interview guide and survey questions are presented. Data tables present the codes that emerged through thematic analysis, including code reference counts and code intersection counts. Data tables present the raw data of participant responses to the survey. This data can support further investigation of factors that influence consequence severity, definition of a broader range of evacuation scenarios, and establishment of associated consequence severities. This data has value to Arctic maritime policy-makers, researchers, and other stakeholders engaged in maritime operational risk management.
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 | 0,001 | 0,002 |
| 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 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 ».