动态贝叶斯与机器学习框架：核电站操作员态势感知的量化评估与预测
在核电站等复杂工业控制环境中，操作员的态势感知（Situation Awareness, SA）是影响人因可靠性的关键因素，但传统评估方法存在明显局限。近日，一项发表于arXiv的研究提出了一种创新的动态贝叶斯机器学习框架（DBML SA），旨在实现态势感知的量化、可解释和预测性建模，为下一代数字化主控室的人机可靠性管理开辟新路径。
传统方法的局限与DBML SA的创新
现有的主流评估方法，如SAGAT（Situation Awareness Global Assessment Technique）和SART（Situation Awareness Rating Technique），通常基于静态、回顾性的问卷调查。这些方法难以捕捉操作员在动态任务中认知状态的实时演变，也无法有效关联那些驱动操作风险的认知动态因素。
DBML SA框架的核心突破在于将概率推理（贝叶斯方法）与数据驱动的智能（机器学习） 相融合。研究团队利用了212份2007年至2021年的运行事件报告作为数据基础，重构了跨越多个认知层面的11个绩效形成因素（Performance Shaping Factors, PSFs） 的因果时序结构。
框架如何工作：贝叶斯推断与神经网络预测
该框架包含两个相辅相成的组成部分：
贝叶斯组件：负责在不确定性条件下，对态势感知的可靠性进行时变推断。它能够动态地更新对操作员认知状态的理解，模拟其随着任务进展和环境变化而演变的过程。
神经网络组件：建立了一个从PSFs到SART评分的非线性预测映射。这意味着系统能够根据实时的绩效形成因素数据，预测操作员当前的态势感知水平。
模型的预测性能表现突出，其平均绝对百分比误差（MAPE）仅为13.8%，并且与主观评估结果保持了统计上的一致性（p > 0.05）。这证明了该数据驱动模型的有效性和可靠性。
关键发现与应用前景
通过该框架的分析，研究揭示了影响态势感知退化的主要驱动因素：培训质量和压力动态。这为核电站的人员培训、工作负荷管理和应急预案制定提供了精准的改进方向。
相较于传统问卷，DBML SA框架的优势在于能够实现：
- 实时认知监控：持续评估操作员的认知状态，而非事后回顾。
- 敏感性分析：量化不同因素（如压力、疲劳）对态势感知的具体影响。
- 早期预警预测：在操作员认知状态可能下滑至危险阈值前发出预警。
这项研究标志着人因可靠性评估从静态、定性向动态、定量迈出了重要一步。它不仅适用于核电站，其方法论对航空、化工、电网调度等任何依赖高可靠性人机协作的复杂工业系统都具有借鉴意义。DBML SA框架为构建智能化的人机可靠性管理系统奠定了理论基础，有望在未来数字化控制室中，成为提升整体运营安全与效率的关键技术。