MétaCan
Menu
Retour à la cohorte
Enregistrement W4285254684 · doi:10.54941/ahfe1002501

Challenges of simulation training for future engineering seafarers - A qualitative case study

2022· article· en· W4285254684 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAHFE international · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueEducational Systems and Policies
Établissements canadiensThe Arctic Eider Society
Organismes subventionnairesnon disponible
Mots-clésCloud computingTraining (meteorology)Competence (human resources)EngineeringContext (archaeology)AutomationSimulation trainingComputer scienceSystems engineeringEngineering managementSimulationMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Maritime transportation is currently in a transitional period to an impending autonomous future. To that end, novel technologies are increasingly being introduced on-board ships and their engine rooms. At the same time, advancements in digitalization and automation are progressively replacing and reducing the number of marine engineers on-board. Consequently, with increasing automation in machinery spaces and unmanned engine rooms, the role of the marine engineers has been altered to that of monitoring and oversight. The substantial changes in the nature of tools and job description of the marine engineers necessitate the re-assessment and revision of their training and pedagogy. Currently, the simulator is a powerful tool in the training and development of marine operators. Although the literature review reveals some interest in marine engineering simulation training, however, there is a lack of attention to remote and cloud-based simulation training as part of blended learning. This study reveals that imparting marine engineering simulation training online is not free from challenges. This study reports the findings from a qualitative study of marine engineering simulation training, conducted as part of a larger ethnographic study on developing maritime competence. The study utilizes the socio-historical, context-dependent framework of the Activity System (AS) to analyze marine engineering simulation training. The study reveals issues with cloud-based marine engineering simulation training. Firstly, cloud-based training is not seamless to access. Secondly, not all features present in the desktop simulation are present in the cloud version. Thirdly the cloud-based platform affords limited feedback in comparison to the desktop version. Fourthly, cloud-based simulation training does not support peer learning. An understanding of the challenges of cloud-based marine engineering simulation training will help address these concerns. Furthermore, it will facilitate the competence development of marine engineers as they work in increasingly automated workspaces in the transition to autonomous ship operations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,252
Score d'incertitude au seuil0,245

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,141
Tête enseignante GPT0,419
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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