Vahdinpito etäohjauskeskuksessa :Ongelmatilanteiden hallinta ja tilannetietoisuus
Bibliographic record
Abstract
Vahdinpito muuttuu tulevaisuudessa, kun alusta tullaan ohjaamaan mahdollisesti tuhansien kilometrien päästä etäohjauskeskuksesta. Tämän myötä ongelmatilanteiden hallintakin tulee muuttumaan, kun aluksella ei olla enää fyysisesti paikan päällä. Opinnäytetyön tavoitteena oli selvittää, miten etäohjauskeskuksessa havaitaan ja hallitaan ongelmatilanteita. Ongelmatilanteiden hallinnassa keskityttiin siihen, miten etäohjauskeskuksessa tunnistetaan uhat ja vältetään vaaratilanteita. \n \nTyö aloitettiin perehtymällä tämän hetken tietoon autonomisista aluksista. Näin saatiin näkemys siitä, minkälaista on operointi etäohjauskeskuksessa. Tämän jälkeen kartoitettiin, \nmitä keinoja on ongelmatilanteiden hallintaan. Tutkimuksista ilmeni, että tilannetietoisuus \non suurena tekijänä merenkulun onnettomuuksissa. Tämän aineiston pohjalta tehtiin teemahaastattelu. Teemahaastattelussa haastateltiin meriliikennekeskuksen päällikköä sekä Rolls-Royce Marinen teknistä tuotepäällikköä. Teemahaastattelun aineistoa ja kirjallisuutta vertailemalla saatiin näkemys siitä, miten etäohjauskeskuksessa hallitaan ongelmatilanteita. \n \nTutkimuksen tuloksena voi todeta, että etäohjauskeskuksessa vahtipäällikön työnkuva \nmuuttuu ja ongelmatilanteiden havaitseminen siirtyy autonomisen järjestelmän vastuulle. \nOngelmatilanteisiin on kuitenkin reagoitava ennakkoon ohjelmiston ja autonomian suunnittelussa. Ongelmatilanteiden hallinta tulee olemaan viime kädessä operaattorin ja etäohjauskeskuksen henkilöstön vastuulla. Autonomian ja automatiikan vaikutuksia tilannetietoisuuteen on tärkeä arvioida uutta järjestelmää kehittäessä. Tilannetietoisuuden tasoa on hyvä arvioida, kun määritellään etäohjauskeskuksen kapasiteettia operoida etäohjattavia aluksia.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.045 |
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; both teacher heads agree on what is shown here.
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".