摘要
人因事件诊断在核电厂的操作事件学习中至关重要，但其质量强烈依赖于专家对叙述报告的解读和基于指南的推理。现有的数据驱动或一次性大型语言模型方法通常缺乏结构化推理，与正式诊断指南的对齐有限，可能生成逻辑不一致的结论。为了解决这一问题，本研究提出了G-SHARE，一个将CNNP九步人因事件诊断指南具体化的基于指南的结构化推理框架，构建了一个多阶段的诊断流程。
框架包括证据提取、逐步诊断推理和事后一致性修复，能够明确使用报告证据、生成中间推理并逻辑验证诊断输出。我们从中国核工业来源构建了一个真实的人因事件报告数据集，并使用领域专家注释的金标准子集进行评估。结果显示，G-SHARE显著优于一次性提示和传统机器学习基线，其最强版本实现了最佳的整体准确率和宏观F1。消融实验结果进一步表明，结构化推理和一致性强制对于稳健的诊断至关重要，尤其是在弱提示条件下。这些发现展示了将专家诊断指南转化为可审计推理工作流的价值，为安全关键行业的智能人因分析提供了实用路径。
博主点评： G-SHARE通过将传统的专家知识与现代推理框架结合，开辟了人因事件诊断的新途径。这不仅提升了诊断的准确性，也为核能行业的安全性提供了保障，值得在其他领域推广应用。