Analisis Human Factors Pada Mekanik Aircraft Maintenance
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui gambaran human factors pada \nmekanik aircraft maintenance. Transport Canada mengidentifikasi dua belas \nhuman factors yang menurunkan kemampuan orang untuk menampilkan kinerja \nyang efektif dan aman, yang dapat menyebabkan kesalahan perawatan pesawat. \nKedua belas faktor ini yang dikembangkan oleh Gordon Dupont dikenal dengan \n“dirty dozen,” pada akhirnya diadopsi oleh industri penerbangan untuk membahas \nhuman error dalam perawatan pesawat (FAA, 2018). \nPenelitian ini menggunakan metode penelitian kualitatif dengan pendekatan \nstudi kasus instrumental. Penggalian data dilakukan dengan wawancara serta \npengumpulan dokumen. Teknik analisis data yang digunakan adalah analisis \ntematik pada hasil wawancara seluruh subjek. Penelitian ini melibatkan empat \norang subjek mekanik GMF AeroAsia yang pernah melakukan kesalahan kerja. \nBerdasarkan penelitian ini ditemukan bahwa keempat subjek memiliki \npengalaman kesalahan kerja yang berbeda – beda, namun terdapat kesamaan pola \npada proses kesalahan kerja itu terjadi. Keempat subjek mengalami complacency, \ndi mana subjek ceroboh dalam mengambil keputusan sehingga terjadi kesalahan \nkerja.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».