P115 Exploring the effectiveness of Fatigue Risk Management Systems
Notice bibliographique
Résumé
Abstract Introduction Fatigue Risk Management Systems (FRMS) are increasingly being used in a range of safety-critical industries to manage fatigue-related risk. These data-driven practices use a risk-based approach to managing fatigue, rather than solely relying on prescriptive hours of work limits. However, some organisations are reluctant to implement FRMS as evidence of effectiveness is unclear. A review was undertaken to evaluate the available evidence on FRMS effectiveness, and to provide evidence-based policy guidance for FRMS use and implementation. Methods Seven electronic databases (MEDLINE (Ovid), PsycINFO, IEEE Xplore Digital Library, Scopus, Web of Science, MESH Occupational Health, NIOSHTIC II) were searched for relevant peer reviewed and grey literature. Documents were included if they addressed fatigue management interventions. Screening was performed on a total of 2129 documents, with 231 included in the final review. Results Few (n = 5) documents evaluated FRMS as a whole. However, components of FRMS (e.g., performance monitoring, fatigue detection technology, prior sleep wake behaviour assessment) appeared to improve key safety and fatigue outcomes. Discussion The effectiveness of FRMS components suggests that FRMS as a whole is likely to improve organisational safety outcomes. Key implementation enablers included organisational and worker commitment, and safety culture. Where organisations have limited resources and/or immature safety cultures, FRMS may not be appropriate. As such, we propose that a hybrid or transitional model of fatigue management (including risk-based and prescriptive components) could be implemented – so organisations can increase operational flexibility while improving safety.
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 | 0,004 | 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 | 0,002 | 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 ».