論文の概要: A Dynamic Bayesian and Machine Learning Framework for Quantitative Evaluation and Prediction of Operator Situation Awareness in Nuclear Power Plants

• arxiv url: http://arxiv.org/abs/2603.19298v2
• Date: Tue, 24 Mar 2026 06:06:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.864757
• Title: A Dynamic Bayesian and Machine Learning Framework for Quantitative Evaluation and Prediction of Operator Situation Awareness in Nuclear Power Plants
• Title（参考訳）: 原子力プラントにおける運転状況認識の定量的評価と予測のための動的ベイズおよび機械学習フレームワーク
• Authors: Shuai Chen, Huiqiao Jia, Tao Qing, Li Zhang, Xingyu Xiao,
• Abstract要約: 本研究では,状況認識のための動的ベイズ機械学習フレームワーク(DBML SA)を紹介する。 DBML SAは確率論的推論とデータ駆動インテリジェンスを融合させ、定量的、解釈可能、予測的な状況認識モデリングを実現する。 その結果、状況認識の劣化の主要な要因として、トレーニングの品質とストレスダイナミクスが強調された。
• 参考スコア（独自算出の注目度）: 7.373053318992413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Operator situation awareness is a pivotal yet elusive determinant of human reliability in complex nuclear control environments. Existing assessment methods, such as SAGAT and SART, remain static, retrospective, and detached from the evolving cognitive dynamics that drive operational risk. To overcome these limitations, this study introduces the dynamic Bayesian machine learning framework for situation awareness (DBML SA), a unified approach that fuses probabilistic reasoning and data driven intelligence to achieve quantitative, interpretable, and predictive situation awareness modeling. Leveraging 212 operational event reports (2007 to 2021), the framework reconstructs the causal temporal structure of 11 performance shaping factors across multiple cognitive layers. The Bayesian component enables time evolving inference of situation awareness reliability under uncertainty, while the neural component establishes a nonlinear predictive mapping from PSFs to SART scores, achieving a mean absolute percentage error of 13.8 % with statistical consistency to subjective evaluations (p > 0.05). Results highlight training quality and stress dynamics as primary drivers of situation awareness degradation. Overall, DBML SA transcends traditional questionnaire-based assessments by enabling real-time cognitive monitoring, sensitivity analysis, and early-warning prediction, paving the way toward intelligent human machine reliability management in next-generation digital main control rooms.
• Abstract（参考訳）: オペレーターの状況認識は、複雑な核制御環境における人間の信頼性の重要な決定要因である。 SAGATやSARTといった既存の評価手法は、まだ静的であり、運用上のリスクを引き起こす認知力学の進化から切り離されている。 これらの制約を克服するために、この研究では、確率論的推論とデータ駆動インテリジェンスを融合して定量的、解釈可能、予測的状況認識モデリングを実現する、状況認識のための動的ベイズ機械学習フレームワーク(DBML SA)を紹介した。 このフレームワークは、2007年から2021年までの212の運用イベントレポートを活用することで、複数の認知層にまたがる11のパフォーマンス形成因子の因果時間構造を再構築する。 ベイズ成分は、不確実性の下で状況認識信頼性の推測を時間発展させることを可能にし、ニューラル成分は、PSFからSARTスコアへの非線形予測マッピングを確立し、平均絶対パーセンテージ誤差は、主観的評価に対する統計的整合性で13.8 %に達する(p > 0.05)。 その結果、状況認識の劣化の主要な要因として、トレーニングの品質とストレスダイナミクスが強調された。 全体として、DBML SAは、リアルタイム認知モニタリング、感度分析、早期警戒予測を可能にし、次世代デジタルマイコンコントロールルームにおけるインテリジェントなヒューマンマシン信頼性管理への道を開くことで、従来のアンケートに基づく評価を超越している。

関連論文リスト

• Self-Supervised Evolutionary Learning of Neurodynamic Progression and Identity Manifolds from EEG During Safety-Critical Decision Making [3.441021278275805]
  本研究は、個別化された神経力学の進行と本質的なアイデンティティを発見する自己教師付き進化学習フレームワークを提案する。 シミュレーション道路横断決定タスクを行う参加者から記録された脳波の枠組みを検証する。 この枠組みは認知神経力学の進歩的視点を推し進め、次世代のスマート都市と交通インフラに影響を及ぼす。
  論文  参考訳（メタデータ） (2026-03-07T20:48:12Z)
• From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models [77.04403907729738]
  このサーベイは、受動的診断基準からリアルタイムモデル動作を導くアクティブ制御信号への不確実性の進化をグラフ化する。 3つのフロンティアにまたがるアクティブ制御信号として不確実性がいかに活用されているかを示す。 この調査は、次世代のスケーラブルで信頼性があり、信頼できるAIを構築するためには、新しい不確実性のトレンドを習得することが不可欠である、と論じている。
  論文  参考訳（メタデータ） (2026-01-22T06:21:31Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Conformal Prediction on Quantifying Uncertainty of Dynamic Systems [15.922642503804092]
  力学系の不確実性評価に共形予測を導入する。 本稿では,コンフォメーション予測手法を用いて,ベンチマーク演算子学習手法による不確実性の評価を行う。 また、偏微分方程式データセットにおいてモンテカルロ・ドロップアウト法とアンサンブル法を比較した。
  論文  参考訳（メタデータ） (2024-12-12T10:45:02Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Architectural patterns for handling runtime uncertainty of data-driven models in safety-critical perception [1.7616042687330642]
  不確実性推定に対処するためのアーキテクチャパターンを新たに提案する。 安全性と性能向上に関して,4つのパターンを質的,定量的に評価した。 筆者らは,運転状況の文脈情報を考慮することで,運転状況の固有のリスクに応じて,多かれ少なかれ不確実性を受け入れることができると結論付けた。
  論文  参考訳（メタデータ） (2022-06-14T13:31:36Z)
• STUaNet: Understanding uncertainty in spatiotemporal collective human mobility [11.436035608461966]
  本研究では,内部データ品質と外部不確実性を同時に推定する不確実性学習機構を提案する。 提案手法は予測と不確かさの両面において優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-09T01:43:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。