Another C3RS Site Improves Safety at Midterm
Notice bibliographique
Résumé
The Federal Railroad Administration’s (FRA) Office of Railroad Policy and Development believes that, in addition to process and technology innovations, human factors-based solutions can make a significant contribution to improving safety in the railroad industry. This belief led FRA to implement the Confidential Close-Call Reporting System (C3RS), which includes voluntary confidential reporting of near-miss events to a neutral third party; root-cause- problem solving by a Peer Review Team (PRT) composed of labor, management, and FRA representatives; implementation of corrective actions; tracking of the results of change; and reporting of the results of change to employees. Demonstration pilot projects are underway at Union Pacific Railroad (UP), Canadian Pacific Railway (CP), New Jersey Transit (NJT), and Amtrak. C3RS also embodies the risk reduction and system safety principles espoused by FRA's Office of Railroad Safety that supplement conventional regulatory oversight and enforcement activities. FRA is also sponsoring a rigorous evaluation of three important aspects of C3RS functioning: (1) What conditions are necessary to implement C3RS successfully? (2) What is the impact of C3RS on safety and safety culture? (3) What factors help to sustain C3RS over time? This report is published to provide the public and government and industry decision makers with the evaluation’s findings. The findings here cover the midterm analysis of C3RS at one demonstration site (Site “A”) and are based on data collected and analyzed using five data sources: interviews with workers, managers, and other stakeholders; railroad newsletters; corporate safety data; corrective action data; and redacted Multiple Cause Incident Analysis (MCIA) results from a third party.\n
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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; 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 ».