《Frontiers in Artificial Intelligence》：Fault tree analysis-adapted knowledge structuring: a case study of sustainable international security cooperation
编辑推荐：
本文提出一种结合故障树分析（FTA）与Convincing Human Action Rationalized Model（CHARM）的知识工程方法，通过构建程序性知识图谱（Procedure-based KG）和目的性知识图谱（Purpose-based KG），将隐性专家知识转化为可审计、机器可解释的参考案例（RC）单元。该方法在日本国际安全合作（R&D与采购）案例中验证了其提升知识外化粒度与可持续转移的有效性，为人机协作提供了结构化知识资产。
引言
日本2022年国家安全战略将国际安全合作置于优先地位，其中研发（R&D）与采购框架是强化伙伴关系、互操作性与风险共担的核心。然而，由于制度与安全约束、人员频繁轮换、项目时空断层及国际伙伴间的文化差异，关键知识的可持续转移面临严峻挑战。传统师徒制培训难以持续，亟需构建可外部化、可重复使用的知识结构化方法。
相关工作
知识科学领域对显性知识与隐性知识的区分是理论基础。隐性知识深植于实践情境，难以通过常规访谈完整捕捉。现有研究采用CHARM模型进行目标-手段层次化任务分析，并通过知识图谱（KG）技术实现知识的结构化表征。故障树分析（FTA）作为 deductive 分析方法，通常用于系统可靠性评估，本研究将其转化为定性 elicitation 工具，以“顶事件”为起点逆向推导规避目的与候选行动。
方法论
本研究提出FTA适配的知识结构化机制，将FTA输出作为CHARM表示的注释扩展，引入参考案例（RC）字段记录具体成功/失败案例。工作流程包括：构建程序性知识图谱、初步目的性知识 elicitation、双向图谱链接、FTA引导的案例深化分析、RC标注的目的-行动单元提取与整合。在外国军事销售（FMS）采购案例中，通过半结构化访谈、专家研讨会与FTA引导的后续访谈三类活动，逐步外化并结构化知识。
结果分析
实证数据显示，研讨会显著提升程序性知识外化量（单月增量达访谈阶段两倍以上），而FTA引导访谈则使目的性知识外化效率提升约四倍。最终形成42个RC与133个案例附着行动单元，分布呈右偏特征（中位数=2，IQR=2–4）。构建的双图谱明确呈现行动与多目的间的关联，例如“谈判价格”行动同时链接“消除不必要成本”与“防止价格上涨”等目的节点。实践者反馈表明，结构化知识资产有助于缓解人员依赖性与技能差异带来的转移障碍。
讨论与展望
FTA与CHARM的耦合填补了传统方法在逆向因果逻辑显性化方面的空白。RC锚定机制不仅增强目的验证的可追溯性，还支持基于频次统计的子主题优先级识别（如信息收集与谈判支持、财年错配应对等）。局限在于案例集中于日本FMS场景，且依赖回顾性叙述。未来工作需拓展至多国多项目环境，开发可持续维护机制，并探索生成式AI辅助下的知识复用路径。
结论
FTA适配的CHARM方法通过RC锚定的目的-行动链接，为高约束环境下的知识可持续转移提供了可审计、机器可解释的解决方案。其双向图谱结构使“如何做”与“为何做”形成可查询的有机整体，为政策密集型场景中的人机协同奠定了结构化知识基础。
