|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
بخش دوم: اندازه گیری روایی مدل های پیش بینی ایمنی بر اساس یافته های ممیزی |
| عنوان انگلیسی مقاله: |
Predictive models of safety based on audit findings: Part 2: Measurement of model validity |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2013 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مدیریت، مهندسی صنایع و آمار |
| گرایش های مرتبط با این مقاله | مدیریت منابع انسانی، مدیریت منابع اطلاعاتی، مدیریت فناوری اطلاعات، مهندسی سیستم های سلامت، و ایمنی صنعتی، سیستم های اطلاعاتی پیشرفته و آمار ریاضی |
| مجله | ارگونومی کاربردی (Applied Ergonomics) |
| دانشگاه | دپارتمان مهندسی صنایع و سیستم ها، دانشگاه مسیحی چانگ یوان، تایوان |
| کلمات کلیدی | انسانی، HFACS-MA، پیش بینی ایمنی، شبکه عصبی، نگهداری هواپیما |
| شناسه شاپا یا ISSN | ISSN 0003-6870 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 20 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه شده است |
| ترجمه متون داخل جداول | ترجمه شده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1. مقدمه
2. جمع آوری داده ها و محاسبه
1.2. متغیر وابسته- شاخص ایمنی
2.2. متغیرهای مستقل
3. روش
1.3. شبکه عصبی
2.3. رگرسیون پوآسون
4. تحلیل
1.4. نتایج شبکه عصبی
2.4. نتایج رگرسیون پوآسون
5. بحث
6. نتیجه گیری
- بخشی از ترجمه:
6. نتیجه¬گیری
این مطالعه اولین مطالعه اعتبارسنجی گزارش¬های ممیزی با یکی از معیارهای خروجی پذیرفته شده ایمنی است زیرا اکثر ممیزی های فاکتورهای انسانی اعتبارسنجی نشده اند یا با نظر خبرگان اعتبارسنجی شده اند. دسته بندی HFACS-MA مبنای پیش بینی بود و اثبات شد که عملکرد پیش بینی آن بهتر از شمارش یافته های ممیزی یا اتکا به عملکرد ایمنی در گذشته است. پایایی مدل HFACS-MA در بخش اول این مطالعه بررسی شده است و بر اساس پایایی مناسب، روایی آن برای پیش بینی عملکرد ایمنی ماهانه دو خط هوایی اثبات شد. این توانایی پیش بینی در مورد داده-های موجود در یک سازمان نظارتی اثبات شد که نشان می دهد حتی می توان از روش های کنونی جمع آوری داده¬ها نیز استفاده کرد. اما بهبود جمع¬آوری داده¬های ممیزی احتمالاً می¬تواند به نفع پژوهش¬های آتی و ادغام داده¬های ایمنی مجزا در یک سیستم مدیریت ایمنی باشد.
خروجی این مطالعه نه تنها به استفاده از مفاهیم فاکتورهای انسانی در سیستم¬های نگهداری هواپیما کمک می¬کند بلکه نشان¬دهنده پتانسیل اعتبارسنجی ممیزی در سایر حوزه¬های ایمنی مثل صنایع شیمیایی و انرژی هسته¬ای است (که آن¬ها نیز ممیزی¬های داخلی و خارجی ایمنی را انجام می¬دهند).
- بخشی از مقاله انگلیسی:
6. Conclusion
This is the first validation of audit reports against a widely accepted outcome measure of safety, because most human factors audits have either not been validated or validated against expert opinion. HFACS-MA categorization is the basis for the prediction, and is shown to produce superior prediction performance than either counting audit findings or relying on past safety performance. HFACS-MA model was tested for reliability in Part 1 of this study and, based on adequate reliability, was proven valid for predicting monthly safety performance for two airlines. This predictive ability was shown for existing data collected by a regulatory authority, demonstrating that even current data collection methods can be used. However, improved audit data collection could potentially benefit future research and the integration of disparate safety data into a Safety Management System. The outcome of this study not only facilitates the application of human factors concepts in aviation maintenance systems, but also demonstrates the potential for audit validation in other safety fields, e.g. chemical and nuclear power industries, which also conduct internal and external safety audits.
|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
سنجش اعتبار مدل پیش بینی ایمنی مبتنی بر یافته های ممیزی |
| عنوان انگلیسی مقاله: |
Predictive models of safety based on audit findings: Part 2: Measurement of model validity |
|
|