Applying AcciMap and STAMP to the analysis of human error in complex manual assembly
Notice bibliographique
Résumé
Abstract In sectors such as aerospace manufacturing, human errors in the assembly of complex products can negatively impact quality, productivity, and safety. Until now, the analysis of assembly errors has focused more on the immediate human‐system interface and less on broader organizational factors. This article presents a case study‐based analysis of assembly errors in the aeronautical industry using the systemic methods AcciMap and Systems‐Theoretic Accident Model and Processes (STAMP). We seek to provide the company with elements to build a quality improvement strategy that considers human factors and ergonomics from a systemic perspective. The data and information necessary to conduct the analysis came from a project carried out at an aerospace manufacturing facility over a period of 12 months. The team had direct and recurrent access to primary data sources and communication with various stakeholders. A total of 31 influencing factors were identified with AcciMap at different levels within the manufacturing system. STAMP made it possible to model the sociotechnical control structure of the assembly process and identify several control flaws leading to hazards. The analysis shows that systemic methods require a high level of understanding of the manufacturing system and access to relatively high amounts of data and information. Therefore, direct contact with the field and stakeholders is crucial. Training quality specialists on systemic methods could support its use and help to close the gap between theory and practice. Globally, the field of quality in manufacturing could benefit from using systemic methods when deemed necessary.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».