The Analysis of Controlled Flight Into Terrain Incidents From Flight Crew Perspective Using Named Entity Recognition and Bayesian Networks
Notice bibliographique
Résumé
Controlled flight into terrain (CFIT) can result in significant aircraft damage and human casualties. Analyzing incident factors and their evolutionary relationships in aviation safety reports helps explore the inherent mechanisms of CFIT, thereby potentially reducing their occurrence. This study proposes a methodology combining named entity recognition (NER) and Bayesian network (BN) to address the challenges of efficiently extracting incident factors from textual reports from the crew’s perspective and analyzing the overall evolution process of CFIT incidents to better prevent accidents. First, this study collected 354 CFIT incident reports in the Aviation Safety Reporting System (ASRS) for the period November 2021 to August 2023. Second, important concepts from Threat and Error Management (TEM) were referenced to determine principles for extracting factor types and their evolutionary relationships. Third, NER was applied using the BERT–BiLSTM–MHA–CRF model to extract incident factors, followed by model comparison. Experimental results demonstrated good performance with precision, recall, and F 1 score of 0.97, 0.90, and 0.90, respectively. Last, BN was then employed to analyze the CFIT evolution process. Results indicate that if factors such as Terrain (0.04) and Unfamiliarity/Inexperience (0.036) are present, CFIT risk will increase. Conversely, if protective factors such as Perfect Weather/Great Visibility (0.397) and Perform the Escape Maneuver (0.341) are present, CFIT risk will decrease. The analysis reveals that Airline Operational Pressure, Fatigue (57%), Lack of Situational Awareness (21%), Automation Errors (45%), Aircraft Handling Deviations (34%), Aviation System–Based Countermeasures (72%), Perform the Escape Maneuver (75%), and Make a Stabilized Approach (89%) form the highest probability evolution pathway for CFIT incidents. This study concludes that reducing these identified risk factors and increasing protective factors can contribute to reducing CFIT accidents.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».