Towards Holistic Functional Task Analysis
Notice bibliographique
Résumé
ABSTRACT Task analysis (TA) can contribute to work systems design, accident investigation, risk assessment, human error identification, planning, and training. Despite the advantages of existing sequential and hierarchical methods, they decompose tasks into their structure and focus on the order in which tasks are accomplished. They do not trace all interactions among elements/subtasks/operations at different levels. As the complexity of tasks increases, not keeping track of all interactions may result in poor, unwanted outcomes. This research introduces a different approach to TA that decomposes tasks into their constituent functions, describes the functionality of the overall work system, traces (dynamic nonlinear) interactions among functions, and highlights the role of functional variability in forming emergent outcomes. This approach to TA is called functional task analysis (FTA). A case study on nursing work was used to demonstrate the suitability of the FTA approach. The findings of this study show that the FTA approach contributes to task modeling by building a nonsequential, nonhierarchical functional model of a complex task considering dynamic, nonlinear interactions among functions. The FTA also contributes to task description by explaining different ways a task can be accomplished. It also increases the understanding, interpretation, and analysis of how changes in work conditions shape good/acceptable and poor/unacceptable outcomes. The FTA can complement the TA by adding some aspects, including functionality, nonlinearity, dynamics, and emergence, that the TA does not normally consider. The findings highlight how the functional approach to TA can be deployed as an alternative (or complement) to other task analysis methods.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».