Control familiarity bias when shifting to a risk-based approach: Lessons from the Temporary Traffic Management industry
Notice bibliographique
Résumé
Risks are apparent in all industries, but what if the industry you worked in had been focussed on familiar, existing controls that didn’t eliminate risk? The Temporary Traffic Management (TTM) industry historically has had a culture that tends to accept risk, as working on or near roads carries an inherent level of risk. TTM worksites account for 66 serious and fatal injury crashes each year in New Zealand. To reduce incidents on worksites there has been a shift from prescriptive guidance to a risk-based approach, with the aim of moving to more impactful safety controls. A national TTM worker survey was created to review attitudes, reported behaviours on site, and the acceptance and adoption of a risk-based approach. Survey insights revealed that even in a higher-risk industry with a strong focus on workplace safety, engaged workers still have challenges to overcome. In the TTM context these were, correct identification of risk and appropriate controls, habituation to risk, and the pressure to balance and trade risk against competing requirements, like cost and delays to traffic. New insights indicate a Control Familiarity Bias (CFB), where controls that are available, familiar, easy and embedded are preferred, selected and assigned an overinflated weight in safety decisions, even where better alternatives exist.
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 | 0,069 | 0,171 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».