XiaoMi-AI文件搜索系统
World File Search System人为失误
HFACS 评分者间信度的属性一致性方法 HFACS 评分者间信度评估的属性一致性方法
Vyesi001@odu.edu ____________________________________________________________________________________________ 摘要 评分者间信度可以看作是评分者对给定项目或情况的一致程度。已采取多种方法来估计和提高受过训练的事故调查员使用的美国国防部人为因素分析和分类系统的评分者间信度。在本研究中，三名受过训练的教练飞行员使用 DoD-HFACS 对 2000 年至 2013 年之间的 347 份美国空军事故调查委员会 (AIB) A 级报告进行分类。总体方法包括四个步骤：(1) 根据 HFACS 定义进行训练，(2) 验证评级可靠性，(3) 评估 HFACS 报告，以及 (4) 随机抽样以验证评级可靠性。属性一致性分析被用作评估评分者间信度的方法。在最后的训练验证轮中，评估员内部一致性范围为 85.28% 至 93.25%，每个评估员与标准的一致性范围为 77.91% 至 82.82%，评估员之间的一致性为 72.39%，所有评估员与标准的一致性为 67.48%。HFACS 评级摘要随机样本的相应一致性为评估员内部 78.89% 至 92.78%，评估员之间的一致性为 53.33%，这与之前的研究一致。这项试点研究表明，训练-验证-评级-确认属性一致性分析方法有可能有助于提高 HFACS 评级的可靠性，并有助于准确捕捉人为因素对飞机事故的影响。需要进行额外的全面研究来验证和充分开发所提出的方法。关键词 事故调查，HFACS，内部评估者信度 简介 Reason (1990) 事故因果模型，也称为瑞士奶酪模型，是一种理论模型，旨在解释事故如何在组织层面上表现出来。该模型的主要假设是，事故发生的方式使得原因在组织层面上具有关系。第二个假设是，至少组织层面需要共同努力以防止事故发生。根据这些假设，Reason 理论认为，大多数事故都可以追溯到先前组织层面的潜在人为失误导致的主动和潜在人为失误。自 2005 年以来，美国国防部 (DoD) 一直使用 HFACS (DOD, 2005) 作为 DOD HFACS，特别是在不安全行为前提条件和不安全行为层面进行了一些更改。.人为因素分析和分类系统 (HFACS) 最初由 Wiegmann 和 Shappell (2003) 根据 Reason 模型改编而成，适用于航空领域，该系统确定了组织内可能发生人为错误的四个层级：组织影响、不安全监督、不安全行为的先决条件和不安全行为。DOD HFACS (2005) 由 4 个主要层级、14 个子类别（在 Wiegmann 和 Shappell 的研究中称为类别）和 147 个纳代码组成，用于对导致飞机事故的组织人为错误进行详细分类。
飞机驾驶舱的神经人体工程学：眼动追踪集成的四个阶段可提高飞行安全性
摘要：商业航空是目前最安全的交通方式之一；然而，人为失误仍然是航空事故和事件的主要原因之一。进一步提高飞行安全性的一个有希望的途径是神经人体工程学，这是一种神经科学、认知工程和人为因素交叉的方法，旨在创造更好的人机交互。眼动追踪技术允许用户通过深入了解飞行员的注意力分布和潜在的决策过程来“监控监控”。在本立场文件中，我们确定并定义了一个由四个阶段组成的框架，逐步将眼动追踪系统集成到现代驾驶舱中。第一阶段涉及地面飞行员培训和飞行性能分析；第二阶段提出将机载凝视记录作为“黑匣子”记录器的额外数据；第三阶段描述了基于凝视的驾驶舱适应，包括警告和警报系统，最终，第四阶段预言了基于凝视的飞机适应，包括飞机接管权力。我们通过描述我们本可以通过眼动追踪避免的事件或事故来说明这四个步骤的潜力。还提出了每个阶段集成的预计里程碑以及一些实施限制的列表。我们相信，该领域的研究机构和工业参与者都将受益于将眼动追踪系统框架集成到驾驶舱中。
飞机驾驶舱的神经人体工程学：眼动追踪集成的四个阶段以提高飞行安全性
摘要：商业航空是目前最安全的交通方式之一；然而，人为失误仍然是航空事故和事件的主要原因之一。进一步提高飞行安全性的一个有希望的途径是神经人体工程学，这是一种神经科学、认知工程和人为因素交叉的方法，旨在创造更好的人机交互。眼动追踪技术允许用户通过深入了解飞行员的注意力分布和潜在的决策过程来“监控监控”。在本立场文件中，我们确定并定义了一个由四个阶段组成的框架，逐步将眼动追踪系统集成到现代驾驶舱中。第一阶段涉及地面飞行员培训和飞行性能分析；第二阶段提出将机载凝视记录作为“黑匣子”记录器的额外数据；第三阶段描述了基于凝视的驾驶舱适应，包括警告和警报系统，最终，第四阶段预言了基于凝视的飞机适应，包括飞机接管权力。我们通过描述我们本可以通过眼动追踪避免的事件或事故来说明这四个步骤的潜力。还提出了每个阶段集成的预计里程碑以及一些实施限制的列表。我们相信，该领域的研究机构和工业参与者都将受益于将眼动追踪系统框架集成到驾驶舱中。
同时运动对感知的影响...
摘要 — 为多个机场提供空中交通服务是远程塔台的一个关键概念。所谓的多远程塔台操作 (MRTO) 预计将更具成本效益和用户友好性。一方面，它们的预期好处是维护目前由于交通量低、员工和塔台维护成本高而无利可图的小型机场。另一方面，MTRO 为空中交通管制员 (ATCO) 提供均匀分布和持续的活动，以期降低因工作无聊或困倦而导致人为失误的风险。但是，如果一名 ATCO 需要同时处理三个机场的交通，就会出现多项任务挑战。因此，需要对多个位置执行视觉、听觉、声音和触觉任务的组合。因此，本文探讨了同时移动对感知安全性、工作量和任务难度的影响。描述性结果表明，随着同时移动的增加，提供 ATC 被认为对效率更加关键，工作量要求更高，任务难度也随之增加。由于统计条件尚未满足，因此未测试差异是否显著。结果表明，没有任何同时移动的情况被视为对安全、良好工作量或提供 ATC 的能力的威胁。讨论表明了为什么同时移动的影响不仅会影响 MRTO，还会影响单个远程或传统塔环境。
可靠性测试人为因素分析和...
印度尼西亚60%的航空运输是由人为因素造成的。人们已经开发了多种方法来识别和分析人为错误，其中之一是人为因素分析和分类系统（HFACS）。该方法解释了人为失误的四个层面，即不安全行为、不安全行为的前提、不安全监管和组织影响。本研究旨在确定 HFACS 层不安全行为和不安全监管在调查印度尼西亚航空事故中的可靠性，并确定影响这种可靠性的因素。用于测试 HFACS 可靠性的方法是一致性指数（IOC）。此方法计算受访者之间的一致性百分比。本研究共有 7 名受访者参与评估 HFACS 的可靠性，通过使用 HFACS 评估 5 个事故案例，并填写问卷评估 HFACS 的全面性、灵活性、效率和可用性水平。超过 70% 的百分比被认为是可靠的。从问卷调查结果来看，层层同意率为89.50%，次层同意率为24.11%。因此，不安全行为和不安全监管层在层级可靠，但在子层级不可靠。有几个因素会影响这种可靠性，即信息的完整性、HFACS 问卷调查对象、HFACS 说明和研究程序。。
用于 HFACS 评分者间信度评估的属性一致性方法
用于 HFACS 评分者间信度评估的属性一致性分析方法 T. Steven Cotter 老道明大学 tcotter@odu.edu Veysel Yesilbas，博士。 Vyesi001@odu.edu ____________________________________________________________________________________________ 摘要 评分者间信度可以看作是评分者对给定项目或情况的一致程度。已经采取了多种方法来估计和提高受过培训的事故调查员使用的美国国防部人为因素分析和分类系统的评分者间信度。在本研究中，三名经过培训的教练飞行员使用 DoD-HFACS 对 2000 年至 2013 年期间的 347 份美国空军事故调查委员会 (AIB) A 级报告进行分类。总体方法包括四个步骤：(1) 训练 HFACS 定义，(2) 验证评级可靠性，(3) 评级 HFACS 报告，以及 (4) 随机抽样以验证评级可靠性。属性一致性分析被用作评估评级者间信度的方法。在最后的训练验证轮中，评估者内部一致性范围为 85.28% 至 93.25%，每个评估者与标准的一致性范围为 77.91% 至 82.82%，评估者之间一致性范围为 72.39%，所有评估者与标准的一致性为 67.48%。HFACS 评分摘要随机样本的相应一致性在评估员内部为 78.89% 到 92.78%，在评估员之间为 53.33%，这与之前的研究一致。这项初步研究表明，训练-验证-评级-确认属性一致性分析方法有可能帮助提高 HFACS 评级的可靠性，并有助于准确捕捉人为因素对飞机事故的影响。需要进行额外的全面研究来验证和充分开发所提出的方法。关键词 事故调查、HFACS、内部评估者可靠性 介绍 原因 (1990) 事故因果模型，也称为瑞士奶酪模型，是一种理论模型，旨在解释事故如何在组织层面上表现出来。该模型的主要假设是事故发生的方式使得原因在组织层面上存在关系。第二个假设是，至少组织层面需要共同努力来防止事故发生。根据这些假设，Reason 理论认为，大多数事故都可以追溯到先前组织层面的潜在人为失误导致的主动和潜在人为失误。.人为因素分析和分类系统 (HFACS) 最初由 Wiegmann 和 Shappell (2003) 根据 Reason 模型改编而成，适用于航空领域，该系统确定了组织内可能发生人为错误的四个层级：组织影响、不安全监督、不安全行为的前提条件和不安全行为。自 2005 年以来，美国国防部 (DoD) 一直使用 HFACS (DOD, 2005) 作为 DOD HFACS，但在不安全行为前提条件和不安全行为层面上进行了一些更改。DOD HFACS (2005) 由 4 个主要层级、14 个子类别（在 Wiegmann 和 Shappell 的研究中称为类别）和 147 个纳代码组成，用于对导致飞机事故的组织人为错误进行详细分类。
安全的三大驱动力：安全文化、客户关系管理和培训
人的可靠性比飞机系统的可靠性低得多，对人类在执行重复性任务时所犯错误数量的测量表明，他们犯错误的概率是 10 − 2 ，如果考虑到人体工程学标准并提供执行任务的特定培训，这个概率可以降低到 10 − 3 ，按照人类的标准，这个概率很低，但比飞机系统故障所需的概率高得多，飞机系统故障的概率必须在 10 − 5 到 10 − 9 范围内（FAA，1988）。因此，人是航空系统中最薄弱的环节，与飞机上装载的计算机代码不同，计算机代码的执行方式总是完全相同，人类非常灵活，他们的可靠性变化很大，身体或情绪障碍会随着时间的推移影响他们的表现；在同一次飞行中，飞行员的表现可能会因为睡眠不足或疲劳而发生变化，同样，在飞行员的职业生涯中，他的表现可能会暂时受到情绪问题的影响，或者永久受到心理和生理能力下降的影响，这可能导致其执照暂时或永久被吊销。自商业航空诞生以来，这些人为干扰就已被发现；八十年前，Meier-Müller (1940a,b) 首次对航空事故原因进行了认真的分析，结果表明约 70% 的事故是由于人为失误造成的，这一数值多年来一直保持不变，如 Lautman & Gallimore (1987) 所示；Helmreich & Foushee (1993)
驾驶员监控最新技术的调查与综合
道路车辆事故大多是由于人为失误造成的，而许多此类事故可以通过持续监控驾驶员来避免。驾驶员监控 (DM) 是汽车行业越来越受关注的一个话题，它将与所有非完全自动驾驶的车辆保持密切联系，因此对于普通车主来说，它将在未来几十年内一直存在。本文重点介绍驾驶员监控的第一步，即表征驾驶员的状态。由于驾驶员监控将越来越多地与驾驶自动化 (DA) 联系在一起，本文将清晰地介绍驾驶员监控在六个 SAE 级别的 DA 中的作用。本文概述了驾驶员监控的最新技术，然后对其进行了综合，为驾驶员监控的众多表征技术提供了一个独特、结构化、多分类的视角。根据调查结果，本文从五个主要维度（此处称为“（子）状态”）表征驾驶员状态，即困倦、精神负荷、分心、情绪和受影响。 DM 的多分类视图通过一对互锁表格呈现，这些表格将这些状态与其指标（例如，眨眼率）以及可以访问每个指标的传感器（例如，摄像头）关联起来。这些表格不仅考虑了与驾驶员直接相关的影响，还考虑了与（驾驶的）车辆和（驾驶）环境相关的影响。它们一目了然地向相关研究人员、设备提供商和汽车制造商 (1) 展示了他们必须实施的大多数选项
制造业中的人为错误分析 - Redalyc
摘要 尽管工业自动化水平不断提高，但手动装配在各个制造业领域仍然发挥着基础性的作用。然而，手工操作容易出现人为失误，从而造成质量问题和经济损失。本文旨在展示一些可以识别不同类型的错误并评估影响工人绩效的因素的影响的方法。特别展示了SHERPA和HEART方法。还有人讨论了考虑组装复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的概率。本文使用了专业文献中的概念，并阐述了人体工程学、工业工程和系统可靠性等几个知识分支。关键词：人的可靠性；装配系统；复杂;人体工程学；持续改进；认知负荷。摘要尽管制造业的自动化水平不断提高，但手动装配在多个生产领域仍然发挥着关键作用。然而，手动装配操作容易出现人为错误，从而导致质量问题和经济损失。本文旨在介绍一些可以识别不同类型的错误以及影响操作员表现的因素的方法。这些方法包括 SHERPA 和 HEART。文章还讨论了考虑任务复杂性的重要性，因为它会对工人的认知负荷产生负面影响，从而增加出错的风险。在讨论中，我们使用了专业文献中的不同概念，同时对人体工程学、工业工程和系统可靠性等不同知识分支进行了阐述。关键词：人的可靠性；装配系统；复杂性、人体工程学、持续改进认知负荷。
驾驶员监控最新技术的调查和综合
道路车辆事故大多是由于人为失误造成的，而许多此类事故可以通过持续监控驾驶员来避免。驾驶员监控 (DM) 是汽车行业越来越受关注的话题，它将与所有非完全自动驾驶的车辆保持相关性，因此对于普通车主来说，它将在未来几十年内一直存在。本文重点介绍 DM 的第一步，即表征驾驶员的状态。由于 DM 将越来越多地与驾驶自动化 (DA) 联系在一起，本文将清晰地介绍 DM 在 DA 的六个 SAE 级别中的作用。本文概述了 DM 的最新技术，然后对其进行了综合，为 DM 的众多表征技术提供了独特、结构化、多分类的视角。根据调查结果，本文从五个主要维度（此处称为“（子）状态”）描述了驾驶员状态，即困倦、精神负荷、注意力分散、情绪和影响。驾驶员的多分法视图通过一对互锁表格呈现，这些表格将这些状态与其指标（例如，眨眼率）以及可以访问每个指标的传感器（例如，摄像头）相关联。这些表格不仅考虑了与驾驶员直接相关的影响，还考虑了与（驾驶）车辆和（驾驶）环境相关的影响。它们一目了然地向相关研究人员、设备提供商和汽车制造商展示了 (1) 他们实施各种形式的先进驾驶员管理系统的大部分选项，以及 (2) 进一步研究和创新的成果丰硕领域。关键词：调查、驾驶员监控、驾驶员状态、传感器、指示器、困倦、精神负荷、分心、情绪、受影响