في مجال الطاقة النووية، يعد تشخيص الأخطاء البشرية (Human-factor event diagnosis) من الأمور الحيوية لتعلم الدروس المستفادة من الأحداث التشغيلية. إلا أن جودة هذا التشخيص تعتمد بشكل كبير على التفسير الخبير للتقارير السردية واستخدام الإرشادات. وللأسف، فإن النماذج اللغوية الضخمة (Large Language Models) المعتمدة على البيانات أو الطرق التي تعتمد على نموذج وحيد تفتقر غالبًا إلى التفكير المنظم، وتواجه صعوبات في التوافق مع الإرشادات التشخيصية الرسمية، مما يؤدي إلى استنتاجات منطقية غير متناسقة.

من هنا، تأتي الدراسة الجديدة التي تقترح إطار G-SHARE، والذي يمثل نموذجًا مبتكرًا قائمًا على الإرشادات لتشخيص الأخطاء البشرية. يعمل G-SHARE على تطبيق إرشادات التشخيص المكونة من تسع خطوات في إطار زمني متعدد المراحل. يتضمن هذا الإطار استخراج الأدلة، والتفكير التشخيصي خطوة بخطوة، وإصلاح التناقضات الناتجة عن التحليل اللاحق.

تم بناء مجموعة بيانات تتضمن تقارير حقيقية من صناعة الطاقة النووية الصينية، حيث تم تقييمها بواسطة مجموعة من الخبراء. أظهرت النتائج أن G-SHARE يتفوق بشكل ملحوظ على أساليب التلقين المباشر والمعايير التقليدية للتعلم الآلي، مع تحقيق أعلى دقة ومؤشرات أداء شاملة. كما يبرز بيانات التحليل التي تشير إلى أهمية التفكير المنظم والإ enforcement التناسق في تقديم تشخيص موثوق، خاصة في ظروف الرفع الضعيف.

تظهر هذه الدراسة قيمة تحويل إرشادات الخبراء التشخيصية إلى سير عمل قابل للتدقيق، مما يوفر مساراً عملياً للتحليل الذكي للأخطاء البشرية في الصناعات الحساسة.

ما رأيكم في هذا الابتكار؟ هل تعتقدون أنه سيساهم بشكل فعّال في تحسين الأمان في الصناعات النووية؟ شاركونا آراءكم في التعليقات.