Risk Perception in Complex Systems: A Comparative Analysis of Process Control and Autonomous Vehicle Failures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: As intelligent systems increasingly operate in high-risk environments, understanding how they perceive and respond to hazards is critical for ensuring safety. Methods: In this study, we conduct a comparative analysis of 60 real-world accident reports, 30 from process control systems (PCSs) and 30 from autonomous vehicles (AVs), to examine differences in risk triggers, perception paradigms, and interaction failures between humans and artificial intelligence (AI). Results: Our findings reveal that PCS risks are predominantly internal to the system and detectable through deterministic, rule-based mechanisms, whereas AVs’ risks are externally driven and managed via probabilistic, multi-modal sensor fusion. More importantly, despite these architectural differences, both domains exhibit recurring human–AI interaction failures, including over-reliance on automation, mode confusion, and delayed intervention. In the case of PCSs, these failures are historically tied to human–automation interaction; this article extrapolates these patterns to anticipate potential human–AI interaction challenges as AI adaptation increases. Conclusions: This study highlights the need for a hybrid risk perception framework and improved human-centered design to enhance situational awareness and responsiveness. While AI has not yet been implemented in PCS incident studies, this work interprets human–automation failures in these cases as indicative of potential challenges in human–AI interaction that may arise in future AI-integrated process systems. Implications extend to developing safer intelligent systems across industrial and transportation sectors.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle