CC BY
121
2010
НАУЧНЫЙ ВЕСТНИК МГТУ ГА серия Аэромеханика и прочность
№ 151
УДК 629.7.07
МЕТОД ОБУЧЕНИЯ ПИЛОТОВ ПРИНЯТИЮ РЕШЕНИЯ В ПОЛЕТЕ
Ю.Ю. МИХАЛЬЧЕВСКИЙ, А.В. СЕДОВ, М.Ю. СМУРОВ
В статье предлагается метод обучения, позволяющий существенно сократить время, затрачиваемое на формирование навыков пилотов гражданской авиации по принятию решений в полете. Для этого использована принципиально новая компьютерная среда.
Ключевые слова: обучение пилотов, принятие решения в полете, эффективный метод обучения, новая компьютерная среда, неявное обучение.
Путь от новичка в какой-то профессиональной области (например, в медицине, геологии, спорте и др.) до эксперта, находящегося на вершине профессионального мастерства, требует не менее 10 лет интенсивной практики [1].
В авиации период становления эксперта также приблизительно равен 10 годам, о чем свидетельствуют данные, приведенные в табл. 1 [2]. Эти данные показывают, что после 10 лет практики количество авиационных происшествий стабилизируется и в дальнейшем мало изменяется. В статье предлагается метод обучения пилотов, позволяющий существенного сократить время, затрачиваемое на формирование навыков по принятию решений в полете. Предложенная в [3] принципиально новая компьютерная среда применена нами для обучения диагностическим навыкам пилотов.
Таблица 1
Командиры воздушных судов авиакомпаний США (обладатели свидетельств линейного пилота)
Возраст Кол-во действующих КВС в 1994 году Общее кол-во происшествий за период 1983-95 гг. Происшествия на 1000 КВС за период 1983-95 гг.
20-24 309 116 375,4
25-29 5486 353 6,4
30-34 15526 414 2,7
35-39 19987 507 2,5
40-44 18310 579 3,2
45-49 20510 545 2,7
50-54 16012 451 2,8
55-59 11500 288 2,5
Среди множества задач по принятию решений пилотами и другими членами экипажа немало задач по диагностике ситуаций, складывающихся в полете. Под диагностикой понимается установление причин наблюдаемых явлений. За время, необходимое для становления эксперта, не только значительно увеличивается объем знаний, которыми обладает человек, но и меняется их структура и способы мышления. Исследования по сравнению поведения экспертов и новичков при решении диагностических задач показали значительные различия в стратегии поиска решений [4]. Было показано, что новички используют при решении задачи преимущественно так называемый обратный вывод (backward reasoning), т.е. перебирают все возможные варианты решения, одновременно осуществляя поиск аргументов в пользу каждого из них. Для вы-
полнения указанных действий им требуется значительное время, а полученное таким образом решение часто оказывается ошибочным. В отличие от новичков, эксперты используют так называемый прямой вывод (forward reasoning), т.е. непосредственный переход от описания задачи к ее решению без перебора многочисленных вариантов, что характеризуется быстротой решения задачи и малым числом ошибок.
Фактически прямой вывод является процессом распознавания, который может быть смоделирован с помощью некоторого набора решающих правил. Однако принципиальной трудностью остается невозможность получения от эксперта в эксплицитном виде системы решающих правил, адекватно описывающих его стратегию принятия решений. Невербализуемость стратегий принятия решений экспертом дает основания полагать, что значительная часть навыков эксперта находится на подсознательном уровне [7]. Исследования механизмов подсознательных навыков показывают, что появление и совершенствование этих навыков происходит в процессе интенсивной практики и зависит от ее продолжительности.
Принято различать два типа подсознательных или неявных (implicit) видов навыков. Подсознательные навыки первого типа первоначально имеют явное, декларативное представление, но в результате продолжительной интенсивной практики их применение становится автоматизированным, не требующее сосредоточения внимания и размышлений. Подсознательные навыки второго типа отличаются тем, что даже изначально не могут быть представлены в явном, декларативном виде. Формирование таких навыков возможно только в результате практики, которая в данном случае является составной частью процесса неявного обучения [6].
Важную практическую ценность имеет построение моделей процесса обучения для слабо-структуризованных предметных областей, где "качественные, трудноформализируемые и неопределенные факторы имеют тенденцию доминировать" [7]. Примером такой области может служить деятельность пилота в полете [8]. Иллюстрацией того, насколько сложна деятельность командира воздушного судна (КВС) в полете, может служить пример того, что ему приходиться постоянно решать, по крайней мере, девять задач. К ним относятся:
1) управление положением воздушным судном (ВС) относительно трех осей и вектором скорости (эту задачу часто называют пилотированием ВС);
2) задача навигации (управление положением ВС относительно земной поверхности);
3) слежение за состоянием систем ВС;
4) задача коммуникации;
5) прогнозирование положения ВС относительно трех осей и величины и направления вектора скорости;
6) прогнозирование положения ВС относительно поверхности земли;
7) прогнозирование состояния систем ВС;
8) задача контроля и планирования действий других членов экипажа;
9) планирование как своих действий, так и действий других членов экипажа как в случае усложнения условий полета, так и при развитии особой ситуации полета.
Характер данной предметной области не только не позволяет сформулировать единственно правильную, идеальную стратегию решения диагностических задач, но и порождает значительные трудности при попытках построить модель, с высокой точностью описывающую механизм принятия решений.
Многие важные практические задачи, ежедневно решаемые пилотами в различных областях, представляют собой задачи классификации. Рассмотрим в качестве примера задачу принятия решения пилотом о начале снижения с эшелона перехода. КВС принимает решение о снижении с высоты эшелона перехода, если:
- скорость ветра у земли и значение коэффициента сцепления не превышают установленных ограничений;
- видимость на взлетно-посадочной полосе (ВПП) не хуже минимума;
- высота нижней границы облаков не ниже минимума;
- состояние ВПП соответствует установленным требованиям к величине коэффициента сцепления.
Определим два следующих класса решений: пилот начинает снижение А, пилот не принимает решение на снижение с эшелона полета (не А). Для принятия решений пилоту необходимо располагать информацией о значениях каждого из следующих диагностических признаков: "скорость ветра у земли", "значение коэффициента сцепления", "видимость на ВПП", "высота нижней границы облаков", "состояние ВПП" и др. Каждый признак может принимать одно значение из некоторого заранее определенного набора возможных значений. Например, признак "скорость ветра у земли" может принимать одно из следующих значений: "нормальный ветер", "скорость бокового ветра больше максимально допустимого", "скорость встречного ветра больше максимально допустимого", "попутный ветер больше максимально допустимого".
Подобный набор признаков и их значений можно назвать структурой задачи классификации, используя которую КВС принимает решения о снижении с эшелона полета. При этом каждое из сочетаний значений признаков задает картину предстоящего захода на посадку. Несмотря на это опытный пилот - эксперт способен уверенно классифицировать описание любого гипотетического варианта. Важной задачей является создание некоторой формальной модели - базы знаний, с помощью которой можно было бы имитировать все возможные решения эксперта.
Требованием к базе знаний эксперта является ее полнота, т.е. когда с ее помощью можно получить корректное решение для любого гипотетического варианта комбинации задаваемых параметров при снижении с эшелона, который может быть описан в терминах выбранной структуры задачи классификации. В общем случае для построения полной базы знаний требуется предъявить эксперту для классификации формализованные описания всех гипотетически возможных значений параметров. Однако использование некоторых свойств решаемых задач позволяет построить значительно более эффективные процедуры выявления экспертных знаний, когда значительная часть объектов классифицируется косвенно, без предъявления их эксперту [9].
Использование отношения доминирования по характерности, известного также как свойство монотонности, позволяет предъявлять эксперту для классификации лишь наиболее информативные объекты. Значения по шкале каждого признака упорядочиваются по характерности в отношении к каждому из рассматриваемых классов решений. Например, значения признака "скорость встречного ветра у земли" упорядочиваются по отношению к классу решений А следующим образом (от более характерного к менее характерному): "нормальный ветер" > "сильный встречный" > "сильный встречный, близкий к предельному значению" > "сильный встречный, превышающий допустимое значение". Таким образом, по шкале каждого признака в общем случае может быть задан некоторый частичный порядок, позволяющий определить результат сравнения любых двух значений данной шкалы по характерности для класса А.
На основании частичного порядка по каждой из шкал признаков можно определить частичный порядок на всем пространстве задачи (множестве гипотетических вариантов параметров захода). Например, вариант А более вероятен при параметрах а по сравнению с параметрами Ь, если каждое значение диагностического признака при варианте а не менее характерно для класса А, чем соответствующее значение данного признака при варианте Ь, а хотя бы одно - более характерно. При этом говорят, что объект а доминирует по характерности объект Ь.
В построенной полной базе знаний каждому объекту назначен некоторый класс решения. В каждом классе А можно выделить такое подмножество объектов А^, каждый из которого не доминирует по характерности никакой другой объект этого класса. Если при этом каждый объект класса А доминирует по характерности некоторый объект из Агр, то Агр называют границей класса А, а элементы множества Агр - граничными объектами (рис. 1).
Важным следствием введенных определений является тот факт, что знание границы класса решений достаточно для описания всего класса. Следовательно, для решения задачи классификации достаточно знать лишь границы между классами решений.
КЛАСС А
САМЫЙ 1 ж 1001 / ; САМЫЙ НЕТИПИЧНЫЙ
ТИПИЧНЫМ 1 V / » ОБЪЕКТ
ОБЪЕКТ КЛАССА ' 1 • ПО ОТНОШЕНИЮ
А ЧЧ X / К КЛАССУ А
4 ч /
Рис. 1. Пример пространства задачи классификации, в которой каждый объект описывается 4 признаками с 2 оценками по шкале каждого признака; для каждого признака значение 0 является более характерным для класса А, чем значение 1
Как показывает анализ, сложность построенной системы решающих правил не превышает возможностей человека по переработке информации [10].
В предложенном методе обучения делается акцент на то, что набор решающих правил остается неизвестным, а обучаемый воссоздает его заново путем проб и ошибок, путем творческого анализа своего опыта решения предыдущих задач, аналогично тому, как это в свое время делал эксперт - автор базы знаний. Поскольку приобретаемые при этом знания не могут быть полностью или даже частично вербализованы, то можно говорить о том, что имеет место процесс неявного обучения.
Уникальной характеристикой неявного обучения является то, что знания, приобретенные таким образом, сохраняются в памяти обучаемого в течение очень длительного периода времени: от нескольких недель до нескольких лет, что подтверждается многочисленными экспериментами [6]. Прежде чем изложить основные идеи построения обучающей системы, введем понятия сложности классификации объектов [3].
Очевидно, что классификация объектов, обладающих наиболее характерными для какого-то класса объектов значениями всех признаков, не представляет трудности как для эксперта, так и для новичка. В многомерном пространстве значений признаков можно определить наиболее характерные объекты как центры классов. Чем ближе некоторый объект к центру, тем он проще для классификации. Гораздо сложнее классифицировать объекты, близкие к границе классов, когда рассматриваемый объект при изменении значения лишь одного из признаков переходит в другой класс решения. Обозначим множество таких объектов, принадлежащих классу А, как Б11 (рис. 2). Множество объектов, обладающих тем же свойством, но не принадлежащих классу А, обозначим Б21. Будем называть множества Б12 и Б21 слоями максимальной сложности классификации.
Перед началом обучения у обучаемых проверялись знания диагностических признаков и их характерных значений. Только в том случае, когда они были хорошо известны испытуемым, проводилось обучение.
Обучение начиналось с задач наименьшей сложности и заключалось в самостоятельном решении большого количества задач методом проб и ошибок. Решающие правила пилота-эксперта, используемые в качестве эталона классификации, в явном виде обучаемому пилоту не сообщаются. При неправильном решении предоставляются объяснения, аналогичные объяснениям эксперта своих действий. Если испытуемый безошибочно решает достаточно длинную последовательность задач, то система повышает их сложность, предъявляя объекты следующего слоя. Если он допускает слишком много ошибок, система уменьшает сложность задач, возвращаясь к предыдущему слою.
Важно подчеркнуть, что в основе предложенного метода обучения лежит творческий процесс анализа обучаемым своих решений и сравнения их с решениями опытного пилота.
Экспертная оценка опытными пилотами начинающих, прошедших сравнительно непродолжительное обучение, с помощью предложенного метода, показала, что профессиональный уровень их оперативного мышления значительно возрос. Если на предварительном тесте процент правильных ответов в среднем совпадал с показателями случайной выборки (составлял при этом 43 % - 48 %), то после окончания курса обучения испытуемые демонстрировали на контрольном тесте 85 % - 100 % совпадений с ответами эксперта. Это можно объяснить тем, что обычно пилоты встречают в течение года не более трех-пяти тех или иных ситуаций в полете, которые требуют сложного принятия решения. Можно добавить еще 10 - 15 ситуаций, отрабатываемых при ежеквартальной тренировке на комплексном авиационном тренажере. Предлагаемый метод позволяет пилоту проанализировать в течение нескольких дней сотни случаев, когнитивно максимально приближенных к реальным.
ЛИТЕРАТУРА
1. Ericsson К.А., Lehnmann A.C. Expert and Exceptional Perfomance: Evidence of Maximal Adaptation to Task Constraints // Annual Review of Psychology. 1996. 47.
2. Taylor Laurie. Air Travel: How Safe Is It? Second Edition. Blackwell Science, Inc. 1997.
3. Ларичев О.И., Нарыжный Е.В. Компьютерное обучение процедурным знаниям. В кн.: Компьютеры, мозг, познание: успехи когнитивных наук / Отв. ред. Б.В. Величковский, В. Д. Соловьев. - М.: Наука, 2008.
4. Patel V.L., Ramoni M.F. Cognitive Models of Directional Inference in Expert Medical Reasoning // Expertise in Context: Human and Machine. Ed. by P. Feltovich, K. Ford, R. Hoffman. AAAI Press, Menlo Park, CA, 1997.
5. Kihlstrom J. F. The Cognitive Unconscious// Science. 1987. Vol. 237.
6. Reber A.S., Kassin S.M., Lewis S., Cantor G. On the Relationship Between Implicit and Explicit Models of Learning a Complex Rule Structure // Journal of Experimental Psychology: Human Lerning and Memory. 1980. 6.
7. Simon H.A. Reason in Human Affairs. Stanford: Stanford Univ. Press, 1983.
8. Коваленко Г.В., Крыжановский Г.А. Экспертная система для оценки квалификации летного персонала // Экспертные системы: тезисы докладов V Всесоюзной научно-практической конференции. - М., 1991.
9. Ларичев О.И., Мсчитав А.И., Мошкович Е.М., Фуремс Е.М. Выявление экспертных знаний. - М.: Наука, 1989.
10. Ларичев О.И. Структура экспертных знаний в задачах классификации: доклады АН СССР. 1994. - Т. 336.
№ 6.
METHOD OF IN-FLIGHT DECISION TAKING FOR PILOTS
Michalchevsky U.U. Sedov A.V. Smurov M.U.
The article offers a method that allows to significantly reduce the time spent to developing skills of civil aviation pilots to take decisions in flight. A virtually new computer environment is used to achieve it.
Сведения об авторах
Михальчевский Юрий Юрьевич, 1961 г.р., окончил Рижское летно-техническое училище гражданской авиации (1980), ОЛАГА (1990), СПбГУ (2007), проректор по дополнительному профессиональному образованию и международным связям, руководитель авиационного учебного центра СПбГУ ГА, автор 7 научных работ, область научных интересов - профессиональная подготовка специалистов гражданской авиации по направлению "Аэронавигация".
Седов Артем Владимирович, 1983 г.р., окончил СПбГУ ГА (2005), аспирант СПбГУ ГА, область научных интересов - профессиональная подготовка специалистов гражданской авиации.
Смуров Михаил Юрьевич, 1951 г.р., окончил ЛВМИ (1974), почетный работник транспорта РФ, почетный работник высшего профессионального образования, отличник воздушного транспорта, доктор технических наук, профессор, ректор СПбГУ ГА, автор более 40 научных работ, область научных интересов - профессиональная подготовка специалистов гражданской авиации.
