在核電站執行中，人因事件診斷對於從操作事件中學習至關重要。然而，其質量高度依賴於專家對敘事報告的解釋和基於準則的推理。現有的資料驅動或一次性大型語言模型方法往往缺乏結構化推理，與正式診斷準則的對齊有限，並可能產生邏輯不一致的結論。為了解決這一問題，中國科學院等機構的研究人員提出了G-SHARE，一個基於準則的結構化推理框架。
G-SHARE將CNNP（中國核動力研究設計院）九步人因事件診斷準則操作化為一個多階段診斷管線。該框架由三個核心元件構成：證據提取、逐步診斷推理和事後一致性修復。證據提取階段從原始事件報告中自動提取關鍵事實，如裝置狀態、人員行動和環境因素；逐步診斷推理階段按照九步準則逐步生成中間推理過程，每一步都明確引用提取的證據；事後一致性修復階段則對診斷輸出進行邏輯驗證，確保結論之間沒有矛盾，並修復檢測到的不一致。這種設計使得報告證據得以顯式利用，中間推理過程可以審計，且診斷結果經過邏輯校驗，大大增強了診斷的透明度和可信度。
為了評估G-SHARE的效能，研究團隊從中國核工業來源構建了一個真實的人因事件報告資料集，包含數百份詳細的事件報告。他們邀請領域專家標註了一個金標準子集，用於評估各類方法的診斷準確性。實驗結果顯示，G-SHARE大幅優於一次性提示（one-shot prompting）和傳統的機器學習基線，如支援向量機和隨機森林。其最強版本在總體準確率上達到85%以上，宏F1分數也顯著領先。消融研究進一步表明，結構化推理和一致性強制對於穩健診斷至關重要，尤其是在弱提示條件下——當輸入資訊不完整或有噪聲時，G-SHARE仍然能保持較高的診斷精度，而基線模型則效能大幅下降。
該研究的價值在於將專家診斷準則轉化為可審計的推理工作流，為安全關鍵行業中智慧人因分析提供了一條實用路徑。G-SHARE不僅提高了診斷的準確性和一致性，還增強了診斷過程的可解釋性和可靠性，使得診斷結果更容易被領域專家理解和驗證。未來，該框架有望推廣到其他高風險領域，如航空航天、醫療和化工等，幫助組織從事件中更有效地學習，從而提升整體安全水平。研究團隊表示，他們計劃進一步最佳化框架的效率，並探索將其應用於即時診斷系統的可能性。