Модели машинного обучения студентов анализу авиационной речи для повышения безопасности полетов

 Актуальность. Обеспечение безопасности полетов является приоритетной задачей авиационного транспорта. Критическим фактором риска выступает человеческий фактор, в частности, коммуникационные сбои в системе «пилот-диспетчер». Даже при использовании строго регламентированной фразеологии ИКАО, речевое взаимодействие подвержено девиациям, вызванным стрессом, когнитивной нагрузкой или языковыми барьерами, что требует разработки новых методов анализа и мониторинга авиационного дискурса.

Методы исследования. В основе исследования лежит комплексный лингвистический подход, рассматривающий авиационную коммуникацию на лексическом (отклонения от стандартов), просодическом (анализ тона, темпа, паузации) и прагматическом (анализ речевых актов) уровнях. Данный подход позволяет сформировать теоретические и методические основы для применения методов машинного обучения и компьютерной лингвистики. 

Результаты исследования. Проанализирован потенциал использования современных методов и моделей машинного обучения для решения проблем повышения безопасности полетов, связанных с человеческим фактором. В частности, проведен анализ специфики использования в рассматриваемой предметной области моделей автоматического распознавания речи (ASR), тематического моделирования (LDA, BERTopic), а также классификационных архитектур: трансформерных (BERT), гибридных и классических ML-моделей на эмбеддингах. Показано, что современные алгоритмы способны выявлять не только явные нарушения протокола, но и имплицитные маркеры стресса (изменение частоты основного тона) и прагматические рассогласования (несоответствие интенции и ее восприятия). Проведен сравнительный анализ особенностей использования классификационных моделей машинного обучения для решения задач авиационной безопасности. На ретроспективном примере катастрофы рейса Avianca 052 продемонстрировано, как мультимодальный ML-анализ мог бы заблаговременно идентифицировать нарастание критической ситуации на основе лингвистических и акустических аномалий. Описаны перспективы развития данного направления, связанные с созданием интегрированных интеллектуальных систем.

Выводы. Симбиоз лингвистической онтологии и современных возможностей методов машинного обучения формирует новую парадигму проактивного обеспечения авиационной безопасности. Это позволяет перейти от постфактум-анализа инцидентов к созданию интеллектуальных систем поддержки принятия решений для диспетчеров, объективной оценки языковой компетенции пилотов и выявления латентных рисков в больших массивах текстовых данных.

1. Zhao W. A corpus-based study on aviation English from the perspective of systemic functional linguistics // Discourse & Communication. 2023. Vol. 17. № 5. P. 630-661. https://doi.org/10.1177/17504813231171644, https://elibrary.ru/hzgvlx

2. Zhao W. A corpus-based multi-dimensional analysis of the linguistic features of aviation English // English for Specific Purposes. 2024. Vol. 76. P. 57-73. https://doi.org/10.1016/j.esp.2024.05.004

3. Nugraha D., Mayuni I., Miftahulkhairah A. Сreating an aviation English lesson: a corpus-informed material design // Journal of Teaching English for Specific and Academic Purposes. 2023. Vol. 11. P. 23-40.

4. Ishihara N., Prado M.C.D.A. The negotiation of meaning in aviation English as a lingua franca: A corpus‐informed discursive approach // The Modern Language Journal. 2021. Vol. 105 (3). P. 639-654. http://doi.org/10.1111/modl.12718, https://elibrary.ru/hzgvlx

5. Dinçer R., Dinçer N., Guksu O. An interactive conversation with a chatbot: Does ChatGPT know standard phraseology in aviation English? // The Literacy Trek. 2023. Vol. 9. P. 24-41. https://doi.org/10.47216/literacytrek.1382543, https://elibrary.ru/facusm

6. Yuniar D.С., Febiyanti H., Nugraha M.E., Ramadhani S. Design of Android-based interactive e-module teaching media for aviation radiotelephony course // Didaktika: Jurnal Kependidikan. 2024. Vol. 13. № 001.

7. Dusenbury M., Bjerke E. Predictive power of English testing: Training international flight students // Journal of Aviation/Aerospace Education & Research. 2013. Vol. 23. P. 13-22. https://doi.org/10.15394/jaaer.2013.1601

8. Артамонова Е.В., Галиахметова А.Т. Контроль и оценка качества профессионального образования: отечественный и зарубежный опыт // Профессиональное образование в России и за рубежом. 2015. № 1 (17). С. 68-71. https://elibrary.ru/ruwbzy

9. Лебедева Н.А., Кудряков С.А. Языковая подготовка авиационных специалистов в контексте концепции ИКАО NGAP // Теория и практика современной науки. 2017. № 2 (20). С. 805-814. https://elibrary.ru/yiarnh

10. Robertson F.A. Airspeak: Radiotelephony Communication for Pilots. London: Phoenix ELT, 1995. 219 p.

11. Митрофанова О.А., Атугодаге М.М. Динамическое тематическое моделирование русскоязычного корпуса юридических документов // Terra Linguistica. 2023. Т. 14. № 1. С. 70-87. https://doi.org/10.18721/JHSS.14107, https://elibrary.ru/qlegta

12. Сайфутдинов Р.А., Белогрудова Д.Ю., Булат Р.С. Модель прогнозирования авиационных происшествий с помощью искусственного интеллекта // Вестник Ульяновского государственного технического университета. 2023. № 4. C.51-55. https://doi.org/10.61527/1684-7016-2023-4-51-55, https://elibrary.ru/kaknyr

13. Лебедева Н.А. Перспективы m-learning в университетской среде // Вестник Костромского государственного университета. Серия: Педагогика. Психология. Социокинетика. 2017. № 3. С. 6-10. https://elibrary.ru/zucjgh