Understanding industry learning behaviours in the context of safety: A railways perspective
Notice bibliographique
Résumé
• Hazard of deterioration in railway safety is explored. • Industry learning behaviours in the safety context are investigated. • Failure to learn across jurisdictions in the rail industry is identified. • Barriers to advancing the safety culture are revealed. • Extending the breadth and depth of railway safety is suggested. From its inception, the railway industry has sought to develop a safety culture where hazards are identified and addressed and all parties commit to improving safety. However, efforts are often fragmented with limited understanding of cross-jurisdictional knowledge sharing, potentially leading to the under-researched hazard of deterioration in railway safety over time. The paper provides an overview of how the industry conducts safety knowledge retrieval, processing, and dissemination, as well as its relevance for learning behaviours and safety culture. The triangulation method is used to examine the learning behaviours of railway industries in the UK, the USA, Canada and Australia by co-reference analysis of railway accident reports, review of literature in other high-reliability organisations (HROs), and outcomes of stakeholder workshops and participant surveys. The results show the significance of a strong safety culture in promoting a safe environment underpinned by rigorous legislative frameworks and incorporating incentives to learn from historical accidents. Furthermore, failure to learn across jurisdictions may result in misapplied investment and misunderstandings in the prioritisation of resources for advancing railway safety. Several barriers to advancing the safety culture that lead to the potential deterioration of the safety culture have been investigated, including a lack of motivation for cross-jurisdiction learning, legislative framework restrictions, struggles in maintaining corporate memory and technological limitations. Another key conclusion is that learning across jurisdictions and over time fosters a proactive safety culture that anticipates and mitigates risks before they result in 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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».