Abstract
<jats:p>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</jats:p>