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 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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.123 | 0.040 |
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".