Notice bibliographique
Résumé
Debriefing is a major component of the job in many high-risk industries where errors can have considerable, often deadly consequences, including combat, surgery, and aviation. Although there exists considerable literature on debriefing, recent reviews of the literature suggest (a) shortcomings in the topics researched, (b) paucity of related theory, (c) limitations in the number of empirical studies, and (d) problems in research design. There are also recent suggestions that "there are surprisingly studies in the scholarly literature that show how to debrief, how to teach or learn to debrief, what methods of debriefing exists and how effective they are at achieving learning objectives and goals" Meta-analyses reveal substantial variations in research findings—e.g., on the use of video as a means of debriefing—that can be traced to the problems. This book redresses these problems in that it provides a detailed look at debriefing and assessment, the functions of different cognitive artifacts used, and a theoretical framework that accounts for the complexity of flying an aircraft and for the debriefing of the pilots’ experiences, especially under the high-stakes condition of their bi-annual evaluation for licensing purposes. The book provides detailed investigation of flight examiners’ methods to arrive at assessments of aviation pilot performance. It shows and theoretically models why there are good reasons for lower than desired inter-rater agreements. It offers detailed scenarios of how debriefing can be made to draw maximum benefit for pilot learning, that is, for the take-home messages that will make them better pilots. The theoretical framework includes objective factors that determine performance and the subjective experience pilots have while undergoing training and testing in flight simulators
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 | 0,002 | 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 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 ».