عنوان انگلیسی مقاله:

Predictive models of safety based on audit findings: Part 2: Measurement of model validity

ترجمه عنوان مقاله: پیش بینی ایمنی بر اساس یافته های ممیزی: بخش دوم اندازه گیری روایی مدل ها

$$$: فقط 14500 تومان

سال انتشار: 2013

تعداد صفحات مقاله انگلیسی: 8 صفحه

تعداد صفحات ترجمه مقاله: 22 صفحه

منبع: ساینس دایرکت و الزویر

نوع فایل: word

http://modir123.com/photo%20site/D-modir123.com%20_2_.png دانلود مقاله

 

فهرست مطالب
  • چکیده
  • مقدمه   
  • شکل 1. چارچوب کامل HFACS-MA
  • جمع آوری داده ها و محاسبه  
  • متغیر وابسته شاخص ایمنی
  • متغیرهای مستقل
  • جدول 1. جزئیات عوامل «طبقه P» و «طبقه S» در HFACS-MA.
  • روش  
  • شبکه عصبی
  • جدول 2. وزن درجات شدت گزارش های ممیزی
  • شکل 2. معماری مدل شبکه عصبی
  • رگرسیون پوآسون
  • تحلیل  
  • نتایج شبکه عصبی
  • نتایج رگرسیون پوآسون
  • بحث
  • جدول 3. عملکرد پیش بینی مدل شبکه عصبی
  • نتیجه گیری
  • منابع

ترجمه چکیده مقاله

در بخش اول این مطالعه یک سیستم طبقه­ بندی مبتنی بر فاکتورهای انسانی/ ارگونومیک (HF/E) (با عنوان HFACS-MA) برای یافته­ های ممیزی ایمنی طراحی شد و پایایی اندازه­ گیری آن اثبات شد. در بخش دوم، از دسته ­های خطای انسانی HFACS-MA به عنوان پیش ­بینی ­کننده عملکرد ایمنی آتی استفاده کردیم. در تحلیل از سوابق ممیزی و گزارش­ های ماهانه رویدادهای ایمنی مربوط به دو خط هوایی که برای سازمان نظارتی آن­ها ارسال شده بود استفاده شد، این گزارش ­ها حاوی اطلاعات مربوط به بیش از 6.5 سال بود. دو نفر از شرکت­ کنندگان با استفاده از  HFACS-MA نتایج مورد توافق درباره خطاهای HF/E را استخراج کردند. برای ایجاد مدل­ های پیش ­بینی غیرخطی و خطی به ترتیب از روش­ های شبکه عصبی و رگرسیون پوآسون استفاده کردیم. این مدل­ ها برای بررسی روایی پیش ­بینی داده­ های ایمنی تست شدند و فقط روش شبکه عصبی توانایی پیش­ بینی کاملاً معناداری برای تمام خطوط هوایی نشان داد. برخی از نتایج پیش ­بینی­ های دیگر بر اساس شمارش یافته­ های ممیزی و توالی زمانی داده­ های ایمنی معنادار بودند اما میزان آن بسیار کمتر از HFACS-MA بود. استفاده از تحلیل HF/E بر روی یافته­ های ممیزی، امکان پیش ­بینی قبلی عملکرد ایمنی آتی را در حوزه نگهداری هواپیما فراهم کرد.   

کلیدواژه­ ها: خطای انسانی، HFACS-MA، پیش­بینی ایمنی، شبکه عصبی، نگهداری هواپیما

ترجمه مقدمه مقاله

در دوران زندگی خود شاهد تغییر رویکرد پایه ­ریزی ایمنی بر اساس بررسی حوادث به سمت استفاده از اقدامات ایمنی پیشگیرانه ­تر نظیر ممیزی­ های مکرر بوده ­ایم. این روش ­های پیشگیرانه به دقت طراحی شده­ اند تا توجهات را به هدف طراحان آن­ها یعنی طراحی پیش­بینی کننده ­های قابل اندازه­گیری حوادث یا رویدادها جلب کنند. فرض بر این است که پیش ­بینی کننده ­های مناسب اندازه­ گیری شده است و نتایج به درستی به عنوان تهدیدهای آشکار برای ایمنی سیستم تفسیر شده است. اما هیچ تلاش قابل اندازه­گیری یا مبتنی بر اطلاعات برای بهبود این یافته­ های ممیزی پیش از تحقق شرایط وقوع همان خطاها یا رویدادهای مهم انجام نشده است. دلیل نهفته ماندن این پدیده تهدید آمیز این نیست که مدیران مسئول وجود این تهدیدها را شناسایی نکرده­ اند بلکه به این دلیل است که آن­ها منابع محدودی برای حل مشکلات متعدد دارند یا لزوم یا فوریت اصلاح را درک نمی­ کنند. به عبارت دیگر، برای متقاعد کردن مدیران به تصمیم ­گیری درباره مهم­ترین/ جدی­ترین تهدیدها به یک راه ­حل منطقی­ تر نیاز داریم.

برای کمک به بهبود این مسئله رایج در میان مدیران ایمنی در صنعت، به دنبال توضیح این موضوع هستیم که این خطاهای شناسایی شده در ممیزی­ های روزانه احتمالاً چگونه می ­توانند (احتمال) به این میزان (شدت) به ایمنی سیستم آسیب برسانند و منجر به زیان اقتصادی (نظیر هزینه حوادث) شوند. این موضوع مبتنی بر مفهوم مدیریت ریسک است. هدف ما بررسی موضوع از دیدگاهی کمّی­ تر و عینی­ تر است. گام اول اثبات عددی رابطه علّی بین یافته ­های ممیزی به عنوان پیش ­بینی کننده­ ها و معیارهای ایمنی است.

آیا یافته ­های ممیزی واقعاً عملکرد ایمنی آتی یک سازمان را پیش­بینی می­ کنند؟ این سوال در هیچ سیستمی که ممیزی در آن به کار می­ رود پاسخ داده نشده است. برداشت ما این است که ممیزی­ ها به شکل کیفی به عنوان شاخص­ وضعیت ایمنی سیستماتیک در نظر گرفته شده­ اند. این مقاله (بخش 2 مطالعه ما) نشان می­ دهد که چگونه فرضیه مربوط به قابلیت پیش ­بینی ممیزی­ ها را با استفاده از داده­ های ماهانه عملکرد ایمنی مربوط به فعالیت ­های نگهداری دو خط هوایی مختلف آزمون کردیم.

در بخش 1 (هسیائو و همکاران، 2013)، دلیلی برای سنجش گزارش­ های ممیزی با استفاده از تحلیل فاکتورهای انسانی/ ارگونومیک (HF/E) به جای شمارش یافته­ های ممیزی (که بی ­اثر بودن آن اثبات شده است) ارائه کردیم. بر اساس پژوهش­ های ایمنی هوانوردی (شاپل و ویگمن، 2003) درباره ایمنی کلی سیستم (ریزن، 1990) و درباره نظریات مدیریت (مانند رابینز و کولتر (2005))، یک سیستم طبقه ­بندی برای خطاهای انسانی طراحی شد و پایایی آن تست شد. طبقه ­بندی اصلاح شده خود را HFACS – ممیزی نگهداری نامیدیم (HFACS-MA، شکل 1 را مشاهده کنید) و دریافتیم که پایایی آن رضایت بخش است. HFACS-MA از گزارش ­های ممیزی جمع ­آوری شده توسط سازمان نظارتی در کشور ثبت کننده خطوط هوایی استفاده کرد. در بخش 2، HFACS-MA را با داده ­های عملکردی بررسی کردیم که همان سازمان نظارتی با استفاده از سیستمی مجزا از سیستم جمع­ آوری داده ­های ممیزی جمع­ آوری کرده است.

ترجمه نتیجه گیری مقاله

این مطالعه اولین مطالعه اعتبار سنجی 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 اعتبار سنجی شده ­اند. دسته­ بندی HFACS-MA مبنای پیش­بینی 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 پیش­بینی عملکرد ایمنی ماهانه دو خط هوایی اثبات شد. این توانایی پیش­بینی 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 می­تواند به نفع پژوهش­های آتی و ادغام داده­های 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 می­کند بلکه نشان ­دهنده پتانسیل اعتبار سنجی ممیزی در سایر حوزه ­های ایمنی مثل صنایع شیمیایی و انرژی هسته ­ای است (که آن­ها نیز ممیزی­ های داخلی و خارجی ایمنی را انجام می ­دهند).

مدل مقاله

 معماری مدل شبکه عصبی

http://modir3-3.ir/article-english/article243.png

منبع: (Hsiao and all, 2013: 662)

ترجمه مدل در فایل ترجمه امده است

چکیده انگلیسی مقاله

Part 1 of this study sequence developed a human factors/ergonomics (HF/E) based classification system (termed HFACS-MA) for safety audit findings and proved its measurement reliability. In Part 2, we used the human error categories of HFACS-MA as predictors of future safety performance. Audit records and monthly safety incident reports from two airlines submitted to their regulatory authority were available for analysis, covering over 6.5 years. Two participants derived consensus results of HF/E errors from the audit reports using HFACS-MA.We adopted Neural Network and Poisson regression methods to establish nonlinear and linear prediction models respectively. These models were tested for the validity of prediction of the safety data, and only Neural Network method resulted in substantially significant predictive ability for each airline. Alternative predictions from counting of audit findings and from time sequence of safety data produced some significant results, but of much smaller magnitude than HFACSMA. The use of HF/E analysis of audit findings provided proactive predictors of future safety performance in the aviation maintenance field.

Keywords: Human error, HFACS-MA, Safety prediction, Neural network, Aviation maintenance

مقدمه انگلیسی مقاله

In our lifetime, we have seen the change from basing safety on accident investigation to using more proactive safety measures such as recurrent audits. These proactive ways are carefully designed to focus attention on what their designers expect: to be the measurable precursors of accidents or incidents. It is assumed that the correct precursors are being measured, and the results are interpreted correctly as visible threats to system safety. However, in manyways, no quantifiable or data-driven efforts are undertaken to improve these audit findings before conditions are right for the same failures or critical events to occur. The phenomenon that threats often lie dormant is not because responsible managers didn’t recognize the existence of these threats, but is for they have only limited resources to solve numerous problems or don’t appreciate the necessity or urgency of correction. In other words, a more reasonable clue is required to convince managers to decide which threats are most eminent/serious. To help improving this common occurrence among safety management in industry, we consider clarifying how these identifying failures in daily audits could possibly (probability) corrode the system safety in magnitude (severity) and result in economic loss (such as the cost of incidents). This idea is based on the risk management concept.We aim to investigate the topic from a more quantitative and objective standpoint. The first step is to quantitatively prove the causal relationship between audit findings as precursors and safety measures. Do audit findings really predict the future safety performance of an organization? This question has not been answered for any system where audits are in use. What we could perceive is that audits are treated as indicators of systematic safety status in a qualitative way. This article, Part 2 of our study, shows how we tested the assumption about audits’ predictive capability, using monthly data on safety performance regarding the maintenance activities of two different airlines. In Part 1 (Hsiao et al., 2013), we developed a rationale for quantifying audit reports, using human factors/ergonomics (HF/E) analysis, rather than merely counting audit findings which had proven ineffective. Based on aviation safety research (Shappell and Wiegmann, 2003), on general system safety (Reason, 1990) and on management theories, e.g. Robbins and Coulter (2005), a classification system for human errors was developed and tested for reliability. We named our modified taxonomy the HFACSMaintenance Audit (HFACS-MA, see Fig. 1) and found its reliability to be satisfactory. HFACS-MA used audit reports collected by the regulatory authority in the country where the airlines are registered. In Part 2, we tested HFACS-MA against safety performance data collected by the same regulatory authority using  a system independent of the audit data collection. There have been attempts to validate human factors audit programs in the past but never against future safety performance. Drury (2006) noted that such validity can be assessed by content validity, concurrent validity, or construct validity. A later revision of the Drury’s (2006) chapter (Drury and Dempsey, 2012) quotes a health and safety audit evaluated against safety standards (Robson et al., 2010) as an example of content validity, and a comparison between audit findings and expert findings in airline maintenance (Koli et al., 1995) as one of concurrent validity. Those reviews also noted that construct validity has not been prominent in the testing of audit systems. Overall, out of 17 audit systems or checklists for human factors issues, only 6 had been validated, and none of them had been validated against safety outcome data. Thus the results of the current study should be of interest beyond the aviation maintenance domain, although that is our primary concern. Along with quantifying the threats of human errors in maintenance systems from audit reports, this research provides an opportunity to examine the relationship between human failures and overall safety performance at a more detailed level. Assuming that the safety performance of an organization reflects the external manifestation of their internal error environment, we postulate that a causal link should exist between overall safety performance and characteristics of the human failures. This answers the obvious question: “is safety performance predictable based on the analysis of human error from audit records?” and also potentially provides guidance on which HF/E failures to address.

نتیجه گیری انگلیسی مقاله

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.

 

 

 

مطالب مرتبط