Gestão de crises a bordo: uma revisão de literatura sobre protocolos de segurança e desescalonamento de conflitos na aviação comercial
Bibliographic record
Abstract
Este artigo apresenta uma revisão de literatura sobre gestão de crises a bordo na aviação comercial, com foco em protocolos de segurança e estratégias de desescalonamento de conflitos. Realizou-se uma revisão narrativa (2014–ago/2025), com buscas em bases acadêmicas (Scopus, Web of Science, ScienceDirect, Taylor & Francis) e repositórios regulatórios/institucionais (ICAO/OACI, EASA, FAA, IATA). Incluíram-se normas, manuais e guias oficiais, além de estudos empíricos revisados por pares sobre comportamento disruptivo, treinamento de tripulantes e coordenação interagências. Os achados indicam convergência em um arcabouço normativo formado pelo Anexo 6 e pelos manuais Doc 10002 (treinamento por competências) e Doc 10117 (aspectos legais), reforçado pelo Protocolo de Montreal 2014; em nível operacional, destacam-se o ORO.CC.140 (EASA) e a AC 120-51E (FAA) para CRM/TEM. Há consenso sobre respostas graduais e proporcionais, priorizando prevenção (campanhas, serviço responsável de álcool, triagem comportamental) e desescalonamento verbal; a contenção física permanece como último recurso. Diretrizes AIRPOL/ACI-Europe estruturam a ponte aeronave–aeroporto–polícia no pós-evento. Evidências pós-2020 mostram picos de incidentes associados a fatores contextuais e sustentam políticas de tolerância zero combinadas a treinamento realista e governança por dados no SMS. Persistem lacunas quanto à padronização de taxonomias/métricas e à avaliação controlada da efetividade de técnicas específicas de desescalonamento. Conclui-se que a eficácia depende de um sistema integrado que una pessoas, processos e dados para prevenir, responder com proporcionalidade e aprender continuamente.
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 | 0.024 | 0.063 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.008 | 0.027 |
| Scholarly communication | 0.020 | 0.019 |
| Open science | 0.004 | 0.010 |
| Research integrity | 0.007 | 0.008 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".