کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6936171 | 1449661 | 2018 | 18 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Using structural topic modeling to identify latent topics and trends in aviation incident reports
ترجمه فارسی عنوان
با استفاده از مدل سازی موضوعی ساختاری برای شناسایی موضوعات پنهان و روند در گزارش حوادث هوایی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
هواپیمایی، ایمنی هواپیمایی، پردازش زبان طبیعی، مدل سازی موضوع استخراج متن، سیستم ایمنی حمل و نقل هوایی،
ترجمه چکیده
گزارش سیستم ایمنی حمل و نقل شامل بیش از یک میلیون گزارش محرمانه در مورد حوادث ایمنی حمل و نقل است. تکنیک های پردازش زبان طبیعی اجازه می دهد برای تجزیه و تحلیل نسبتا سریع و به طور گسترده ای از مجموعه های زیادی از داده های متن. تفسیر نتایج و تحقیقات بیشتر توسط کارشناسان موضوع می تواند نتایج معنی داری کسب کند. این توضیح می دهد که بسیاری از برنامه های کاربردی تجاری و علمی پردازش زبان طبیعی برای گزارش ایمنی حمل و نقل. با این حال، تعداد کمی از مقالات منتشر شده، مدلسازی موضوعی را مورد استفاده قرار دادند، رویکردی که بتواند ساختار پنهان درون یک جزء اسناد را شناسایی کند. مدل سازی موضوع انعطاف پذیر تر است و کمتر بر متخصصان موضوع تاکید می کند تا طبقه بندی سند جایگزین و روش های خوشه بندی. برای مثال می توان از هر موضوعی که در مجموعه ای از گزارش های حادثه پنهان شده است، که در صورت استفاده از برچسب ها و روش های استفاده شده در پژوهش های قبلی، یا در معرض آن دسته بندی قرار گرفته است، کشف شود. این مقاله کاربرد مدلسازی ساختار موضوعی را برای داده های سیستم ایمنی حمل و نقل هوایی توصیف می کند. این برنامه مسائل شناخته شده را شناسایی می کند. این روش همچنین اتصالات قبلا گزارش نشده را نشان می دهد. نتایج نمونه در اینجا نشان دهنده پمپ سوخت، مخزن، و مسائل مربوط به دنده فرود و نسبت نسبی مسائل دود و آتش برای هواپیماهای خصوصی است. نتایج همچنین نشان می دهد که برجسته مسیر بصری و نکته انگشت پا بصری مسیر بصری در فرودگاه بین المللی سان فرانسیسکو در گزارش حوادث ایمنی نشان می دهد. پیش از استفاده از آنها برای تعیین اولویت ها هنگام برنامه ریزی مطالعات ایمنی آینده، این نتایج، در بهترین حالت، توسط کارشناسان موضوع مورد تایید قرار می گیرند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
The Aviation Safety Reporting System includes over a million confidential reports describing aviation safety incidents. Natural language processing techniques allow for relatively rapid and largely automated analysis of large collections of text data. Interpretation of the results and further investigations by subject matter experts can produce meaningful results. This explains the many commercial and academic applications of natural language processing to aviation safety reports. Relatively few published articles have, however, employed topic modeling, an approach that can identify latent structure within a corpus of documents. Topic modeling is more flexible and relies less on subject matter experts than alternative document categorization and clustering methods. It can, for example, uncover any number of topics hidden in a set of incident reports that have been, or would be, assigned to the same category when using labels and methods applied in earlier research. This article describes the application of structural topic modeling to Aviation Safety Reporting System data. The application identifies known issues. The method also reveals previously unreported connections. Sample results reported here highlight fuel pump, tank, and landing gear issues and the relative insignificance of smoke and fire issues for private aircraft. The results also reveal the prominence of the Quiet Bridge Visual and Tip Toe Visual approach paths at San Francisco International Airport in safety incident reports. These results would, ideally, be verified by subject matter experts before being used to set priorities when planning future safety studies.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part C: Emerging Technologies - Volume 87, February 2018, Pages 105-122
Journal: Transportation Research Part C: Emerging Technologies - Volume 87, February 2018, Pages 105-122
نویسندگان
Kenneth D. Kuhn,