SAFE-Robot: Uma Abordagem para Sistematizar a Elaboração de Casos de Garantia de Segurança que Auxilie na Certificação de Sistemas Robóticos
Bibliographic record
Abstract
Contexto: Os sistemas robóticos estão presentes em nosso dia-dia, seja no trabalho colaborativo dentro das indústrias ou em casa auxiliando pessoas em diversas tarefas, acarretando um convívio intensivo com os seres humanos.Estas relações humanos-robôs precisam ser prudentes e planejadas, uma vez que são Sistemas Críticos (SC), onde a falha pode acarretar danos irreparáveis.Na maioria das vezes esses sistemas precisam ser certificados por órgãos reguladores que exigem evidências de segurança, o que não é um processo simples em função do grande volume de informações e artefatos que devem ser disponibilizados.Apesar da evolução constante das normas e dos processos de certificação, pesquisas científicas e de organizações internacionais relatam que existe uma grande dificuldade em descrever, de forma clara e rastreável essa documentação, por isso entidades regulatórias tem adotado os Casos de Garantia de Segurança (CGS) para auxiliar nesse processo.Objetivo: Propor uma abordagem que sistematize a elaboração de Casos de Garantia de Segurança, auxiliando o processo de certificação para sistemas robótico.Método: Aplicação de uma abordagem orientada para a melhoria evolutiva, dividida nas fases: informativa, analítica, proposicional e fase avaliativa.Conclusão: Desenvolver uma abordagem para sistematizar a elaboração de Casos de Garantia de Segurança, visando a construção de argumentos convincentes endereçando as evidências no auxilio da certificação de sistemas robóticos.
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 | 0.015 | 0.025 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.011 | 0.012 |
| Open science | 0.006 | 0.010 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 0.007 |
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".