ГІБРИДНА МОДЕЛЬ ІНТЕГРАЛЬНОЇ ОЦІНКИ УСПІШНОСТІ АВІАДИСПЕТЧЕРІВ НА ТРЕНАЖЕРАХ ІЗ ВИКОРИСТАННЯМ ТЕХНОЛОГІЙ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.35546/kntu2078-4481.2026.2.40Ключові слова:
управління повітряним рухом, компетентнісний підхід, тренажерна підготовка, нейро-нечіткі моделі, пояснюваний штучний інтелектАнотація
Дане дослідження спрямоване на розробку гібридної моделі оцінювання успішності авіадиспетчерів під час відпрацювання аварійних сценаріїв, інтегруючи компетентнісний підхід ICAO (CBTA) з технологіями штучного інтелекту (ШІ). Застосовано логіко-алгоритмічну архітектуру для аналізу телеметрії диспетчерського тренажера і технології розпізнавання мови (NLP). Для агрегації об'єктивних машинних даних та суб'єктивних оцінок інструктора використано адаптивну нейрнечітку систему висновків (ANFIS) типу Сугено. Алгоритми машинного навчання (ML) застосовано для динамічного коригування штрафних індексів визначеної таксономії помилок. Застосування ANFIS дозволило математично нівелювати невизначеність людського фактора при виставленні балів. Впровадження методології пояснюваного ШІ на основі SHAP-аналізу забезпечує повну прозорість визначених автоматичним способом оцінок, формуючи наочні структуровані звіти для післятренажерного аналізу. Запропонована гібридна модель оцінки алгоритмізує спеціалізовану таксономію помилок авіадиспетчера за допомогою динамічного ML-зважування. На відміну від статичних моделей, застосований підхід дозволяє системі оцінювання безперервно адаптуватися до просторово-часової складності самої аварійної ситуації, можливостей устаткування робочого місця авіадиспетчера, діючих заборон і обмежень, умов розвитку загальної повітряної і метеорологічної обстановки в секторі відповідальності авіадиспетчера та суміжних секторах. Запропонована модель інтегральної оцінки успішності авіадиспетчерів на тренажерах мінімізує суб’єктивізм інструкторського контролю рівня професійної підготовки авіадиспетчерів та дозволяє генерувати індивідуалізовані траєкторії навчання для цільового усунення прогалин в навичках авіадиспетчерів. Синергія інструкторської компоненти оцінювання та цифрових даних тренажера через нейро-нечітке моделювання створює надійний механізм, що модернізує процеси тренажерного оцінювання згідно з сучасними стандартами ICAO та EASA для підвищення рівня безпеки польотів
Посилання
Network operations report 2024 (Final report). V.1.0. EUROCONTROL – May 2025. 66 p.
High-level Summary Report on Preliminary ACE 2024 Data. EUROCONTROL – December 2025. 19 p.
Doc 10056. Manual on Air Traffic Controller Competency-based Training and Assessment. Vol. I : Air Traffic Control (ATC). 2nd ed. Montreal: ICAO, 2022. 326 p.
Easy Access Rules for Air Traffic Controllers’ Licensing and Certification (Regulation (EU) 2015/340) Revision from March. EASA. 2024. 702 p.
NATS: NATS unveils digital-twin platform for air traffic controller recruitment : website. URL: https://www.nats. aero/news/nats-unveils-digital-twin-platform-for-air-traffic-controller-recruitment (accessed: 15.02.2026).
Laskowski Jan, Pytka J., Laskowska A., Tomiło P., Skowron L., Kozłowski E., Piątek R., Mamcarz P. AI-Based Method of Air Traffic Controller Workload Assessment. 11th International Workshop on Metrology for AeroSpace, 2024. P. 46-51. DOI: https://doi.org/10.1109/MetroAeroSpace61015.2024.10591524.
Hu Y., Shen H., Wang B. Core Competency Assessment Model for Entry-Level Air Traffic Controllers Based on International Civil Aviation Organization Document 10056. Aerospace. 2025. Vol. 12, Iss. 6. DOI: https://doi.org/10.3390/aerospace12060486 (accessed: 15.02.2026).
Carvell B., Thomas M., Pace A. Dorney C., De Ath G., Everson R., Pepper N., Keane A., Tomlinson S., Cannon R. Human-in-the-Loop Testing of AI Agents for Air Traffic Control with a Regulated Assessment Framework. 2026. 18 p. DOI: https://doi.org/10.48550/arXiv.2601.04288.
Antoško M., Polishchuk V., Kelemen M. Jr., Korniienko A., Kelemen M. Artificial Intelligence Technology for Assessing the Practical Knowledge of Air Traffic Controller Students Based on Their Responses in Multitasking Situations. Applied Sciences. 2025. 15(1):308. 10.3390/app15010308.
Lakshmi V. A., Addanki J., Akshaya B., Amrutha V. R. S., Towsiq S. and Sai V. H. Predictive Framework for Aviation Accident Risk Assessment using Hybrid Machine Learning Models. 6th International Conference on Electronics and Sustainable Communication Systems (ICESC). Coimbatore, India, 2025. P. 2040-2048. DOI: https://doi.org/10.1109/ICESC65114.2025.11212488.
EASA Artificial Intelligence Roadmap 2.0: Human-centric approach to AI in aviation. Ver. 2.0. Cologne, Germany, 2023. 36 p.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
