Learning from major accidents: Graphical representation and analysis of multi-attribute events to enhance risk communication

حوادث عمده حوادث پیچیده و چند ویژگی هستند که از تعاملات بین سیستم های پیچیده، تکنولوژی های پیشرفته و عوامل انسانی حاصل می شود. معمولا این تعاملات باعث می شود دنباله های بسیار حادثه ای باشد که پیش بینی سخت است اما قادر به تولید واکنش های اجتماعی شدید و نابودی کانال های ارتباطی در میان سهامداران است. بنابراین هدف از این کار این است که داده های تصادفات با طول عمر را به یک جایگزین مناسب گرافیکی تبدیل کنید تا از موانع برای ارتباط ریسک ها و فعال کردن ذینفعان به طور کامل در درک و یادگیری از حوادث بزرگ برخوردار شوید. در این مقاله ابتدا دیدگاه ها و تعصب های معاصر مربوط به خطاهای انسانی در حوادث بزرگ را مورد بحث قرار می دهد. بخش دوم یک رویکرد شبکه عصبی مصنوعی را به یک مجموعه داده های حادثه بزرگ، برای افشای الگوهای مشترک و ویژگی های قابل توجهی اعمال می کند. داده های پیچیده پس از آن به نقشه های 2 بعدی تبدیل می شوند و رابط های گرافیکی را تولید می کنند که بینش بیشتری را نسبت به شرایطی که منجر به حوادث می شوند، پشتیبانی می کند و از یادگیری رمان و جامع از حوادث پشتیبانی می کند. تجربه.