Human machine teaming in the air traffic control operations rooms: The IFATCA’s perspective
Notice bibliographique
Résumé
An adaptive 21 st century organization is archetypically digitally powered, leading many organizations to pursue digital transformation. Air Navigation Service Providers (ANSPs), which are the building blocks of the Air Traffic Management (ATM) system, are not an exception to this rule. Sustained adaptability is a relentless call for ANSPs and refers to the ability to continue to adapt to changing environments, stakeholders, demands, contexts, and constraints within the wider aviation system. In this context Artificial Intelligence (AI) and Machine learning (ML) are finding their way into the ATM operational environment. This paper presents the results of an initial attempt to design a Human Machine Teaming (HMT) guide in the ATM domain. The aim of the HMT guide is to assist Air Traffic Controllers in integrating technology in the various forms of new intelligent, autonomous systems, automation and AI/ML that can work in adaptive partnership with the human practitioners in the operations rooms. We followed a Cognitive Systems Engineering (CSE) approach to develop an HMT guide based on a set of generic principles and an iterative process. We used a range of methods over several phases of fieldwork, documentation analysis and finally divergent thinking, comparative reasoning, and integrative thinking to compile a set of generic principles and an iterative process of four stages before fielding a technology system in the operations rooms. The proposed HMT framework could provide a viable solution to the efficient introduction of innovative technology in the Air Traffic Control Operations Rooms.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 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 ».