Quantitatively capturing decision-making practices of mechanized ski guides using GPS tracking, avalanche terrain modeling and Bayesian networks
Notice bibliographique
Résumé
Snow avalanches are the primary mountain hazard for mechanized skiing operations. Helicopter and snow-cat ski guides are tasked with finding safe terrain to provide guests with enjoyable skiing in a fast-paced and highly dynamic and complex decision environment. Based on years of experience, ski guides have established systematic decision-making practices that streamline the process and limit the potential negative influences that can occur due to time pressure and emotional investment. While guiding teams pass on this expertise through mentorship, the current lack of a quantitative description of the process prevents the development of decision aids. To address this knowledge gap, we collaborated with guides at Canadian Mountain Holidays (CMH) Galena Lodge to catalog and analyze their decision-making process using operational data, GPS tracking, automated avalanche hazard indication mapping, and Bayesian networks. Our initial results use Bayesian networks to model the daily run list decision-making process, where guides code runs as either black (not considered), red (closed), or green (open). To capture the real world decision-making process, we worked with expert guides to build the structure of the decision-making network. Data relevant to run characteristics, current conditions, and prior run list decisions are used to calculate the conditional probability tables of the decision-making model. Our resulting model illustrates the decision-making process and can predict the run list coding with accuracy of roughly 87% compared to 80,854 observed run codes from CMH Galena. These insights provide a baseline for development of future decision-making tools that can offer independent perspectives on operational terrain choices based on historic patterns or as a training tool for newer guides.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».