G-SHARE：基于指南的人因事件诊断结构化推理框架

人为事件诊断对于从核电厂的运行事件中学习至关重要，但其质量在很大程度上取决于专家对叙述性报告的解释和基于指南的推理。现有的数据驱动或一次性 大语言模型 方法通常缺乏结构化推理，与正式诊断指南的一致性有限，并且可能生成逻辑上不一致的结论。为了解决这个问题，本研究提出了G-SHARE，一种基于指南的结构化推理框架，将CNNP九步人因事件诊断指南操作为多阶段诊断流程。该框架由证据提取、逐步诊断推理和事后一致性修复组成，实现了报告证据的显式使用、中间理由生成和诊断输出的逻辑验证。根据中国核工业来源构建了真实人为事件报告的数据集，并使用由领域专家注释的标准标注子集进行评估。结果表明，G-SHARE 的性能大大优于一次性提示和传统机器学习基线，最强版本实现了最佳的整体准确性和宏观 F1。消融结果进一步表明，结构化推理和一致性执行对于稳健诊断至关重要，尤其是在弱提示条件下。研究结果证明了将专家诊断指南转变为可审核推理工作流程的价值，为安全关键行业中的智能人为因素分析提供了实用途径。