Insights on how avalanche forecast users combine danger ratings with steepness to assess the avalanche risk of individual slopes during trip planning
Notice bibliographique
Résumé
Several recent studies have examined avalanche forecast users' ability to understand the provided hazard information, but they have so far not evaluated how users combine the information with additional avalanche knowledge to assess the severity of the conditions on individual slopes, which is a critical skill for the effective application of the forecast information during trip planning. We conducted an online experiment with members of the Euregio and Swiss avalanche forecast research panels where participants were presented with a series of hypothetical avalanche forecasts and asked to rank four slopes according to their avalanche risk. Each slope was characterized by a different combination of aspect, elevation, and slope steepness, which was described using the standard qualitative terms defined by the European Avalanche Warning Services. Our survey also included several questions examining participants' understanding of the qualitative steepness terms. Our revealed that only 16% of the sample provided the "Graphic Reduction Method" solution to the slope tanking exercise, while 55% used a sequential approach where they first split the slopes according to the provided danger rating and then ranked them according to steepness. The responses to the questions on the steepness terms showed that approximately half of our participants believe that 'extreme terrain' starts at inclines that are steeper than the 40 degrees threshold defined by EAWS. This means that they potentially underestimate the severity of the terrain described in forecasts. We derive several management implications for avalanche warning services from our results.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».