MétaCan
Menu
Retour à la cohorte
Enregistrement W4312407831 · doi:10.1115/omae2022-78097

An Evaluation of Decision Support Technology in Simulated Offshore Ice Management

2022· article· en· W4312407831 sur OpenAlexaff
J. Christopher Soper, Jennifer S. Smith, Jonathan D. Power, Brian Veitch

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMarine and Coastal Research
Établissements canadiensCommunity Sector Council Newfoundland and LabradorNewfoundland and Labrador Centre for Applied Health ResearchMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésDecision support systemBridge (graph theory)Submarine pipelineComputer scienceControl (management)Process managementMarine engineeringEngineering managementSystems engineeringEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract In this research, an experimental method was used to evaluate the effects of a novel digital Decision Support System (DSS) for maritime ice management operations. This was done using a marine bridge simulator to determine whether the use of this technology can improve ice management performance. The experiment used the DSS to assist seafaring cadets in simulated emergency ice management operations. The operation scenarios saw the cadets use a supply vessel under their control to clear sea ice from the lifeboat launch zone of an offshore installation. The DSS allowed participants to request assistance, which was provided through text-based instructions and visual replay of a previous approach from a past study. The cadets usually adopted the strategy recommended by the DSS, but did not demonstrate statistically significant performance improvements, which we attribute to their lack of ship handling experience. This research provides insight into the efficacy of decision support technology in presenting advice for ice management activities. It also describes an effective method for evaluating this technology.

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 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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,476
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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)0,0030,000

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 Opus0,022
Tête enseignante GPT0,322
Écart entre enseignants0,300 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMarine and Coastal ResearchTravaux en français237 207