Μελέτη των ναυτικών ατυχημάτων με χρήση στατιστικών τεχνικών και μηχανικής μάθησης
Bibliographic record
Abstract
Η παρούσα διπλωματική εργασία επικεντρώνεται στην πρόβλεψη της ύπαρξης θανάτων σε περιστατικά ναυτικών ατυχημάτων, αξιοποιώντας δεδομένα από το Transportation Safety Board of Canada (TSB). Η μεθοδολογία βασίζεται στη λογιστική παλινδρόμηση, στα δέντρα απόφα σης (CART) και στη συσταδοποίηση. Η επιλογή και η αξιολόγηση των μεταβλητών πραγμα τοποιείται με ANOVA (Deviance χ²), έλεγχο πολυσυγγραμμικότητας (VIF) και ελέγχους λό γου πιθανοφανειών, ενώ η επίδοση αποτιμάται με ROC–AUC, πίνακα σύγχυσης, AIC/BIC και έλεγχο Hosmer–Lemeshow. Τα αποτελέσματα αναδεικνύουν ως σημαντικούς παράγοντες της έκβασης τα χαρακτηριστικά που σχετίζονται με τις συνθήκες πλοήγησης και το πλαίσιο του συμβάντος (π.χ. καιρικές/θαλάσσιες συνθήκες, ορατότητα, άνεμος, τύπος/περιοχή συμβάντος, τύπος πλοίου, αριθμός πλοηγών), βάσει της ερμηνείας και εκτιμήσεων των OddsRatio και της στατιστικής σημαντικότητας τωμ μεταβλητών. Η διερεύνηση μέσω συσταδοποίησης έδειξε πε ριορισμένη διαχωρισιμότητα, υποδεικνύοντας πιθανή χρησιμότητα διαφορετικών αλγορίθμων πχ βάσει πυκνότητας (DBSCAN/OPTICS) σε μελλοντική εργασία. Συνολικά, η εργασία συνει σφέρει στη βαθύτερη κατανόηση των αιτιών των θαλάσσιων ατυχημάτων και στην ενίσχυση της πρόληψής τους.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.107 | 0.033 |
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".