《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Identification and Causal Analysis of Human Factors in Autonomous Vessel Accidents: An Integrated Transformer-DEMATEL Approach
编辑推荐：
•开发了一种算法驱动的框架，减少了人为主观性。•揭示了岸基运行中的双路径因果机制和系统迟钝现象。•识别了组织的核心角色以及不对称的风险级联效应。引言近年来，自主船舶（正式称为海上自主表面船舶，即MASS）在全球范围内持续快速发展，已成为推动海洋行业向低碳化和智能运营转型的关键
- •
开发了一种算法驱动的框架，减少了人为主观性。
- •
揭示了岸基运行中的双路径因果机制和系统迟钝现象。
- •
识别了组织的核心角色以及不对称的风险级联效应。
引言
近年来，自主船舶（正式称为海上自主表面船舶，即MASS）在全球范围内持续快速发展，已成为推动海洋行业向低碳化和智能运营转型的关键力量[2]。国际海事组织（IMO）等机构观察到，随着高度自动化系统的广泛采用，海上安全的主要制约因素正逐渐从传统硬件的可靠性转向人机协作和接管的有效性[88]。随着无人驾驶船舶行业的持续扩展，竞争焦点和安全前沿正超越单一智能，向全生命周期中人机交互质量的方向推进[16]。一方面，自适应系统干预不断拓展船舶自主性的运行边界[15]。另一方面，岸基远程监控和高级辅助控制的快速部署，使系统鲁棒性日益依赖于操作人员在深度不确定条件下的认知状态和运行稳定性[17]。
在此背景下，人机交互失败导致的接管风险已成为MASS实际部署和安全运行的核心制约因素[17]。虽然MASS的快速部署有望带来前所未有的效率和脱碳效益，但从根本上改变了人类操作人员的关键角色——从船上的驾驶转向岸基远程监控[17]。对于公众而言，这些高度自动化船舶的安全性至关重要。在关键紧急接管过程中，人机协作的灾难性失败可能导致严重的船舶碰撞、破坏性的环境灾难（如石油泄漏）以及日常供应链的严重中断。因此，本研究的范围专门针对解码这些复杂自主海上系统内部隐藏的人因脆弱性。
然而，MASS运行中人因风险的评估具有显著的多维性和强耦合效应。它通常涵盖组织管理、不安全监督、不安全行为的前提条件以及操作者的不安全行为[17]，同时还表现出对海上运行环境的显著依赖性[48]。海事当局积累的大量事故调查报告以及日益增长的学术文献，包含了丰富的非结构化文本数据，从而为捕捉复杂真实环境中的风险暴露和演变提供了高频来源。文本挖掘也被证明有能力从事故记录中提取人为失误和系统脆弱性的模式。然而，与结构化数据库不同，事故叙述通常包含非标准化表达、噪声信息和碎片化的因果链[19]。更重要的是，它们同时编码了两个异构的信息层次：表层的操作错误和深层的组织或认知缺陷[39]。这些多维风险因素的纠缠使得因果识别和因果节点优先级排序成为海上安全分析中最艰巨的挑战之一。
现有的用于海上事故分析的数据驱动方法通常利用基础文本挖掘从事故记录或文献中识别风险因素[47,57]。然而，在后续的因果建模阶段出现了两个关键缺陷。首先，在构建复杂因果网络时，主流方法面临方法论瓶颈：它们几乎总是不懈地回归到传统的基于专家的评分或调查来量化已识别因素之间的影响矩阵[59]。对直接专家判断的这种高度依赖引入了相当大的主观偏差，限制了跨情境的可重复性，并严重制约了处理不断增长的海上事故叙述非结构化数据所需的分析可扩展性[82]。其次，许多现有研究受限于静态分析范式。虽然它们成功识别了孤立的风险要素或基本的统计共现关系[5,70]，但缺乏动态量化风险概率传递的健壮数学能力。因此，在深度环境不确定性下，高级组织缺陷如何级联到一线操作错误的层级传播机制仍然在很大程度上是不透明的。
为应对上述详细缺陷，严格需要一种混合方法策略。本研究引入了一种结合Transformer架构、DEMATEL和贝叶斯网络的集成框架。其根本区别在于能够通过从Transformer基于语料库文本的语义表示中推导影响关系，从而减少对直接专家评分的依赖。而不是依赖传统的临时性专家评分，Transformer自注意力机制被用来从集成文本语料库中识别的语义关系自动推导不对称影响矩阵。在此数据驱动提取之后，DEMATEL数学上对关键系统瓶颈进行优先排序，而贝叶斯网络则动态评估这些因果链在人为因素分析和分类系统（HFACS）层级中的概率传递。这种集成的混合方法有效地将人因归因推进到更加数据导向和量化的分析范式，为自主船舶运营中的认知需求适应提供了可操作的指导。
本研究的主要贡献有三方面：
(1) 我们开发了一种基于Transformer的因果推理框架，从事故叙述中提取人因交互，减少了与直接专家评分相关的方差。(2) 我们将领域知识与语义表示相结合，识别多维因果主题，增强了风险提取的可解释性。(3) 我们提出了一种利用语言模型对因果主题进行排序的新型量化范式，为认知需求适应提供了可操作的指导。
本文其余部分组织如下。第2节回顾了MASS中人因风险和事故文本挖掘的相关工作。第3节详细介绍了数据集和提出的Transformer-DEMATEL方法论。第4节呈现了实证发现。第5节讨论了关键见解及其对认知需求适应和资源分配的启示。最后，第6节对研究进行了总结。
章节摘要
MASS中的人为因素
海上自主表面船舶（MASS）的大规模部署深刻重塑了传统的航海作业范式，导航权日益向岸基控制中心转移[45]。在这种新兴的人机协作环境中，人为因素的范围和实质都经历了根本性转变。岸基操作人员脱离了船舶的物理环境，必须大量依赖
方法论
为系统研究MASS事故背后的关键风险因素及其复杂的因果交互机制，本研究开发了一种混合数据驱动分析框架，集成了自然语言处理、主题建模、关联规则挖掘和因果推理。整体研究设计和实施路径如图1所示。
所提出的框架由七个顺序步骤组成：
步骤1： 事故数据收集与基于HFACS的文本
描述性统计与HFACS语义映射
在对多源非结构化事故叙述进行自动化筛选和标准化预处理后，本研究对提取的因果陈述与HFACS之间进行了深度语义映射。此步骤的目的是将碎片化和非标准化的因果描述系统地组织到HFACS框架的四个主要层级及其对应的次级（Level-2）类别中，从而建立标准化的变量
自主船舶中的人因风险
综合来看，上述多维量化推理结果表明，将操作错误和例行违规视为单一类别的运营失误这一传统观点根本不足[14,67]。本研究的贝叶斯网络后验推理和敏感性分析清楚地表明，在MASS环境中，它们的因果机制存在结构性分化，形成了不安全行为的双路径机制。
一方面，操作错误
结论
本研究开发了一个多层数据驱动框架，集成了NLP、HFACS、Transformer–DEMATEL和贝叶斯网络，以分析MASS事故中的人因因果机制。所提出的框架整合了互补技术，为识别、建模和解释MASS事故中的人因风险提供了系统路径。结果表明不安全行为存在清晰的双路径结构：操作错误主要由系统和环境缺陷驱动，而例行
数据和材料的可用性
当前研究中生成和/或分析的数据集，应合理请求可从通讯作者处获取。
利益冲突
我们确认，本次发表不存在已知的利益冲突，也没有对本工作的成果可能产生影响的重要财务支持。
资金支持
本研究得到了辽宁省自然科学基金（编号：2025-BS-0213）、中国博士后科学基金（编号：2024M760318）和中央高校基本科研业务费（编号：3132026268）的支持。
未引用参考文献
[23,27,44,80,87,89]
CRediT作者贡献声明
刘力： 撰写——初稿，数据管理，概念化。徐文辉： 撰写——审阅与编辑，可视化，方法论，形式化分析。盛世雄： 撰写——审阅与编辑，验证，软件。王正： 撰写——审阅与编辑，监督，方法论，资金获取。
刘力|徐文辉|盛世雄|王正
