论文
大语言模型能解释飞行安全事件吗？一种先验引导的语义 LLM 方法
Can Large Language Models Explain Flight Safety Events? A Prior-Guided Semantic LLM-based Approach
摘要
利用飞行数据提升飞行安全不仅需要准确检测风险事件，更重要的是在飞行员操纵行为层面清晰解释其深层原因。现有可解释 AI 技术（如特征重要性图）往往需要大量领域知识才能转化为对运营有意义的解释。擅长语言推理的大语言模型（LLM）为这一问题带来有前景的解决方案。然而，在该领域应用 LLM 存在模态不一致、分类能力有限、微调任务数据稀缺与领域知识缺失等关键挑战。为克服这些挑战，我们提出 FlightLLM，一种用于可解释飞行安全分析的先验引导语义 LLM 方法。具体而言，我们首先进行特征工程以解决模态不一致，将统计描述符与物理意义明确的飞行指标结合。这一表示进一步由语义离散化模块处理，把抽象数值模式转换为与语言推理更兼容的定性描述。此外，鉴于 LLM 天生不是强分类器，我们引入 CatBoost 作为统计专家，并将其预测结果作为先验引导注入提示。进一步采用对比少样本学习策略弥补数据有限。最后，我们设计结构化提示把航空领域知识嵌入推理过程。以重着陆这一因果机制复杂的代表性风险事件为锚点，我们在包含 704 个真实 A320 飞行样本的数据集上评估 FlightLLM。实验结果表明，所提方法在取得有竞争力的分类性能的同时，能对事件成因生成直接且合理的解释。
