KRAIL: A Knowledge-Driven Framework for Base Human Reliability Analysis Integrating IDHEAS

本文是LLM系列文章，针对《KRAIL: A Knowledge-Driven Framework for Base Human Reliability Analysis Integrating IDHEAS and Large Language Models》的翻译。

摘要

人的可靠性分析（HRA）对于评估和提高复杂系统的安全性至关重要。最近的努力集中在估计人为错误概率（HEP）上，但现有的方法往往严重依赖于专家知识，这可能是主观和耗时的。受大型语言模型（LLMs）在自然语言处理中的成功启发，本文介绍了一种新的两阶段知识驱动可靠性分析框架，该框架集成了IDHEAS和LLMs（KRAIL）。这一创新框架实现了基本HEP值的半自动计算。此外，知识图被用作检索增强生成（RAG）的一种形式，以增强框架高效检索和处理相关数据的能力。实验是在权威的人类可靠性数据集上系统地进行和评估的。所提出方法的实验结果表明，在部分信息下，该方法在基于HEP估计的可靠性评估方面具有优越的性能。

1 引言

2 文献综述

3 方法

4 实验结果

5 结论和未来工作

基于GPT的模型已被广泛应用于NLP任务，这表明它们在处理语言序列方面具有非凡的性能。为了应对与严重依赖专家知识和基本人为错误概率（HEP）估计的耗时性相关的挑战，我们提出了一种创新的基于LLM的两阶段框架，称为集成IDHEAS和LLM的知识驱动可靠性分析（KRAIL）。我们准备了一个数据集用于实验，并评估了该框架在各种配置下的性能。此外，还比较了其相对于手动方法的时间效率。为了进一步验证该方法，我们进行了消融实验来检验两阶段框架的有效性。最后，通过一个案例研究来证明我们的方法的实际适用性和有效性。结果表明，我们的KRAIL方法将基本HEP估计所需