US NTSB Aviation Accident and Incident Final Reports Dataset (2016–2023)
Notice bibliographique
Résumé
This dataset consolidates information from final reports on aviation accidents and incidents occurring between 2016 and 2023, as provided by the U.S. National Transportation Safety Board (NTSB) and available through the NTSB CAROL platform as of December 24, 2024. It covers 7,462 individual occurrences and integrates both structured and unstructured data extracted from the official reports. The dataset includes detailed data for each occurrence, such as event identification (e.g., NtsbNo, EventID, ReportNo), occurrence details (EventDate, City, State, Country, Latitude, Longitude), aircraft information (Make, Model, AirCraftCategory, NumberOfEngines, EngineType), flight and operator data (Operator, PurposeOfFlight, Scheduled, FAR), injury and damage statistics (FatalInjuryCount, SeriousInjuryCount, MinorInjuryCount, OnGroundInjuryCount, AirCraftDamage), environmental conditions (WeatherCondition), and investigation-related information (ProbableCause, Findings, BroadPhaseofFlight, ReportStatus, ReportUrl, DocketUrl). The dataset also include full text content of the associated reports, extracted from the original PDF files (rep_text). This dataset is intended to support research on aviation safety, risk analysis, and natural language processing (NLP) applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,031 |
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 source (Gemma direct ou Codex distillé), 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 ».