MétaCan
Menu
Retour à la cohorte
Enregistrement W4362016860 · doi:10.58940/2374-6793.1768

Native Language Effects on Flight Training Performance

2022· article· en· W4362016860 sur OpenAlexaboutno aff
Robert Fowler, Daniel Siao

Notice bibliographique

RevueInternational Journal of Aviation Aeronautics and Aerospace · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAir Traffic Management and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFlight trainingAviationAir traffic controlLanguage proficiencyAviation safetyAeronauticsTraining (meteorology)Language assessmentComputer sciencePsychologyFlight simulatorEnglish languageEngineeringSimulationMathematics educationAerospace engineeringGeography

Résumé

récupéré en direct d'OpenAlex

Several high-profile commercial aviation accidents in the past that were caused in part by inadequate English language proficiency confirmed the importance of clear and concise communication between air traffic controllers and pilots. Although the connection between English language proficiency and aviation safety has been well established, there has been very little research concerning the relationship between English language proficiency and flight training performance. Thousands of international students who are not native speakers of the English language come to the United States and Canada for ab initio flight training every year. While the ability to communicate with air traffic controllers is critical for the safety of flight, communication skills can also have a profound effect on flight training performance. International flight students not only must communicate with air traffic controllers, but they must also communicate with their flight instructors on the ground and in flight. In addition, they must also be able to read and understand textbooks, manuals, and check lists that are all written in the English language. This research is focused on the relationship between English language proficiency and performance in ab initio flight training programs.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,005
Tête enseignante GPT0,205
Écart entre enseignants0,199 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Aviation Aeronautics and AerospaceMême sujetAir Traffic Management and OptimizationTravaux en français237 207