范围：用于空中交通管制读回监控的轻量级训练 LLM 框架

飞行员重读空中交通管制 (ATC) 语音指令是防止航空运输中沟通不畅的主要保障措施。然而，大约 80% 的航空事故仍然与读回异常有关。流量的增加和认知工作量的增加进一步加剧了该漏洞，从而激发了机器的自动读回监控。传统的基于规则的机器学习方法很难概括空中交通管制员与飞行员之间高度可变且不断变化的措辞。虽然大语言模型（LLM）通过其强大的推理和泛化能力开辟了一条新途径，但现有方法在实践中仍然面临部署和计算障碍。在这项工作中，我们提出了通过带有示例的开放集插件进行通信的语义推理（SCOPE），这是一种新颖的轻量级训练 LLM 框架，可提高基于机器的 ATC 读回监控的效率和准确性。核心思想是将插件开放集分类器与在冻结的 LLM 之上精心设计的上下文学习机制结合起来。对半合成通信数据集的大量实验表明，SCOPE 获得了卓越的准确性，同时提供了操作环境所需的低延迟响应。在少数样本设置下，SCOPE 在开集检测中实现了 91.05% 的准确率，并纠正了 96.63% 的异常读回，从而超越了最强的可用基线，同时为其决策提供了解释。这些发现证明了我们的框架作为实现可解释和可控的 ATC 回读监控的实用途径的潜力。