L’oculométrie peut-elle être utilisée pour étudier le travail de coordonnateur de trafic dans un centre de dégivrage aéronautique centralisé ?
Bibliographic record
Abstract
Le dégivrage des avions au sol est obligatoire au Canada lors de conditions givrantes. Lorsque l’aéroport est pourvu \nd’installations adaptées, plusieurs avions sont dégivrés en même temps. Le coordonnateur de trafic et de mouvement \ndoit gérer la coactivité entre les équipes de dégivrage, les pilotes et le personnel impliqué. Les défauts de communication \nsont la première cause d’accident. Le présent article va montrer la pertinence de l’oculométrie pour l’étude des défauts \nde communication lors d’activités de dégivrage au sol des avions. Dans ce but, une revue de littérature non exhaustive est \nréalisée, ciblée sur l’utilité de l’oculométrie pour l’étude terrain de la tâche des coordonnateurs de trafic et de mouvements. \nElle s’appuie sur des recherches effectuées dans les bases de données scientifiques afin d’extraire les articles démontrant \nou non l’utilité de l’oculométrie in situ. Il est montré que l’oculométrie permet d’identifier les réflexes d’observation \nd’un individu, d’évaluer le niveau de concentration ainsi que la charge mentale supportée par un individu. Les données \nrecueillies peuvent être couplées à des questionnaires complémentaires, tel NASA-TLX, afin d’évaluer la perception de la \ncharge de travail. L’oculométrie devrait permettre, à terme, d’identifier les raisons des défauts de communication entre le \ncoordonnateur de trafic et de mouvement et les acteurs du dégivrage.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".