G-SHARE：基于准则的结构化推理框架用于人因事件诊断

在核电站运行中，人因事件诊断对于从操作事件中学习至关重要。然而，其质量高度依赖于专家对叙事报告的解释和基于准则的推理。现有的数据驱动或一次性大型语言模型方法往往缺乏结构化推理，与正式诊断准则的对齐有限，并可能产生逻辑不一致的结论。为了解决这一问题，中国科学院等机构的研究人员提出了G-SHARE，一个基于准则的结构化推理框架。

G-SHARE将CNNP（中国核动力研究设计院）九步人因事件诊断准则操作化为一个多阶段诊断管线。该框架由三个核心组件构成：证据提取、逐步诊断推理和事后一致性修复。证据提取阶段从原始事件报告中自动提取关键事实，如设备状态、人员行动和环境因素；逐步诊断推理阶段按照九步准则逐步生成中间推理过程，每一步都明确引用提取的证据；事后一致性修复阶段则对诊断输出进行逻辑验证，确保结论之间没有矛盾，并修复检测到的不一致。这种设计使得报告证据得以显式利用，中间推理过程可以审计，且诊断结果经过逻辑校验，大大增强了诊断的透明度和可信度。

为了评估G-SHARE的性能，研究团队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，包含数百份详细的事件报告。他们邀请领域专家标注了一个金标准子集，用于评估各类方法的诊断准确性。实验结果显示，G-SHARE大幅优于一次性提示（one-shot prompting）和传统的机器学习基线，如支持向量机和随机森林。其最强版本在总体准确率上达到85%以上，宏F1分数也显著领先。消融研究进一步表明，结构化推理和一致性强制对于稳健诊断至关重要，尤其是在弱提示条件下——当输入信息不完整或有噪声时，G-SHARE仍然能保持较高的诊断精度，而基线模型则性能大幅下降。

该研究的价值在于将专家诊断准则转化为可审计的推理工作流，为安全关键行业中智能人因分析提供了一条实用路径。G-SHARE不仅提高了诊断的准确性和一致性，还增强了诊断过程的可解释性和可靠性，使得诊断结果更容易被领域专家理解和验证。未来，该框架有望推广到其他高风险领域，如航空航天、医疗和化工等，帮助组织从事件中更有效地学习，从而提升整体安全水平。研究团队表示，他们计划进一步优化框架的效率，并探索将其应用于实时诊断系统的可能性。