Designing a cased based reasoning decision support system for ice management operations using expert knowledge
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
Prevention of safety hazards plays an important role in the offshore and maritime industries, especially in offshore ice management operations as the safety of these operations depends on the judgment and decision making of experienced captains and their bridge teams. To address safety challenges that may arise in the context of ice management operations, this study focused on a human-centered approach to develop an early-stage decision support system (DSS) for offshore ice management operations by applying a case-based reasoning (CBR) method. The aim of this research is to (i) capture knowledge from expert seafarers to be used in the development of a DSS; and (ii) propose a DSS employing a CBR model to be used onboard ships in a real-time basis for ice management operations. To capture seafarers’ experience, this study employed semi-structured interviews and bridge simulator exercises. The results of the knowledge capture exercises were translated into an ice management DSS using a CBR model. The case-based reasoning (CBR) model develops solutions to new problems by using similar problems in the past. The DSS employs a decision tree algorithm to retrieve a case to match observations from the current situation with an unknown outcome to a case base with known outcomes. This thesis describes the methods used in the development of the onboard DSS to provide tactical guidance for ice management operations. It also outlines the methods used to test the DSS software’s suggested ice management strategies and adjustments during a series of simulator exercises.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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