Machine Learning Analysis of Lifeguard Flag Decisions and Recorded Rescues
Notice bibliographique
Résumé
Abstract. Rips currents and other surf hazards are an emerging public health issue globally. Lifeguards, warning flags and signs are important and to varying degrees they are effective strategies to minimize risk. In the United States and other jurisdictions around the world, lifeguards use coloured flags (green, yellow and red) to indicate whether the danger posed by the surf and rip hazard is low, moderate, or high respectively. The choice of flag depends on the lifeguard monitoring the changing surf conditions along the beach and over the course of the day using both regional surf forecasts and careful observation. There is a potential that the chosen flag does not accurately reflect the potential risk, which may increase the potential for rescues or drownings. In this study, machine learning used to determine the potential for error in the flags used at Pensacola Beach, and the impact of that error on the number of rescues. A decision tree analysis suggests that the wrong flag was flown on ~ 35 % of days between 2004 and 2008 (n = 396/1125), and that those differences account for only 17 % of all rescue days and ~ 60 % of the total number of rescues. Further analysis reveals that the largest number of rescue days and total number of rescues is associated with days where the flag deployed over-estimated the surf and hazard risk, such as a red or yellow flag flying when the model would suggest a green flag would be more appropriate based on the wind and wave forcing. Regardless whether this is a result of the lifeguards being overly cautious or the rip and surf hazard is associated with weak rips forced by a transverse-bar and rip morphology, the results suggest that beach users are discounting the lifeguard warnings if it isn't consistent with how they perceive the surf hazard. Results suggest that machine learning techniques have the potential to support lifeguard and thereby reduce the number of rescues and drownings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».