XiaoMi-AI文件搜索系统
World File Search System管制员
未来空中交通管理中空中交通管制员的职业压力与绩效
本论文 - 开放获取由 Scholarly Commons 免费提供给您。它已被 Scholarly Commons 的授权管理员接受纳入博士论文和硕士论文。有关更多信息，请联系 commons@erau.edu。
对波兰空中交通管制员和海上导航员群体的感知压力、倦怠综合症和自我效能的探索：相似之处和不同之处
摘要：背景：这项横断面研究旨在评估波兰海上航行员和空中交通管制员群体的感知压力和职业倦怠水平。该研究是对被认为同样承受情感负担的职业群体进行研究的一部分。我们测试了将职业倦怠、感知压力和资历联系起来的模型的可用性。方法：将一组问卷（包括链接倦怠问卷、感知压力量表-10 和广义自我效能量表）分发给 54 名海上航行员和 88 名空中交通管制员（回报率：18-56%）。使用了 Spearman 的 rho、χ2 检验、Mann-Whitney U 检验、Cohen 的 d 和 Hedge 的 g 系数、线性回归和 F 统计量。结果：假设从事具有特殊专业要求的职业（如空中交通管制员和海上导航员）的人，在面临强烈、慢性情绪超负荷风险时，会认为自己的生活状况比其他员工压力小，这一假设得到了证实。管制员和导航员组的职业倦怠程度高于同样情绪负担沉重的波兰货运飞行员组，但波兰精神病学家并非如此。研究组在压力来源方面存在差异：空中交通管制员组害怕无助，海上导航员组无法克服逆境。海上导航员报告的职业倦怠程度更高
文章 波兰空中交通管制员和海上导航员群体感知压力、倦怠综合症和自我效能的探索：相似之处和不同之处
摘要：背景：这项横断面研究旨在评估波兰海上航行员和空中交通管制员群体的感知压力和职业倦怠水平。这项研究是对被认为同样承受情感负担的职业群体进行研究的一部分。我们测试了将职业倦怠、感知压力和资历联系起来的模型的可用性。方法：将一组问卷（包括链接倦怠问卷、感知压力量表 - 10 和广义自我效能量表）分发给 54 名海上航行员和 88 名空中交通管制员（回报率：18-56％）。使用了 Spearman 的 rho、χ2 检验、Mann-Whitney U 检验、Cohen 的 d 和 Hedge 的 g 系数、线性回归和 F 统计量。结果：我们证实了以下假设：从事具有特殊专业要求的职业的人员，如空中交通管制员和海上导航员，他们有强烈的、长期的情绪超负荷风险，他们认为自己的生活状况比其他员工压力小。与同样情绪负担沉重的波兰货机职业组相比，管制员和导航员组的职业倦怠程度更高，但波兰精神病学家并非如此。研究组在压力来源方面存在分歧：空中交通管制员组害怕无助，海上导航员组无法克服逆境。与空中交通管制员相比，海上导航员报告的职业倦怠程度更高，与同事的关系恶化，对工作感到失望。结论：结果显示与工作场所需求和员工个人倾向相关的因素存在差异，以及这些因素在职业倦怠、生活状况评估和个人资源之间的相互关系中可能发挥的作用。我们假设在职业倦怠综合征的研究中应该考虑感知压力的水平。
暗室中的变化：人为因素和认知负荷问题对下一代终端雷达管制空中交通管制员的影响
摘要。到 2020 年，美国领空的所有飞机都必须使用 ADS-B（广播式自动相关监视）Out。这是下一代 (NextGen) 航空运输系统的关键组成部分，标志着首次使用卫星而非地面雷达连续跟踪所有飞机。终端雷达进近管制 (TRACON) 中的标准终端自动化替换系统 (STARS) 是 NextGen 的主要升级，其中数字化自动化/信息在控制飞机时围绕着 STARS 管制员。应用 SHELL 模型，作者分析了从 STARS 之前技术到 NextGen 技术对 TRACON 管制员绩效的影响的人为因素变化。对 STARS 管制员的非正式调查结果评估了认知处理问题，并表明最令人担忧的是查看其他显示器的动作和重新启用 STARS 的额外时间。
成功引导空中交通管制员的注意力
Ádám Szöllősi; Dóra Balló HungaroControl Zrt., Igló u.33-35, 1185 布达佩斯，匈牙利 摘要 — 让操作员的注意力集中在情况数据显示的正确位置是成功引导空中交通的关键因素之一。但是，当大屏幕上显示复杂且密集的交通状况时，这一点变得尤为困难。本文介绍了我们为空中交通管制员 (ATCO) 开发的原型注意力引导 (AG) 系统。该系统使用眼动追踪作为 ATCO 当前注意力的输入。针对特定的空中交通管制 (ATC) 事件（例如交接和冲突警报）实施了不同的注意力引导。对于这些事件，如果空中交通管制员没有注意到空中交通管制事件，则会在不同升级级别内逐步呈现不同的视觉提示。AG 系统在五名空中交通管制员的人机交互验证试验中进行了测试。选择模拟的匈牙利飞行中心空域作为测试案例。验证试验显示，配备 AG 功能的解决方案控制器工作位置 (CWP) 的结果令人鼓舞。与没有 AG 支持相比，ATCO 报告称，使用解决方案 CWP 的工作量更少，情况意识得到改善。还报告称，解决方案系统的接受度和信心都有所提高。ATCO 强烈感受到我们强大且交互流畅的注意力引导系统的大力支持，鼓励我们进一步开发原型以实现运营使用。
印度尼西亚巴厘岛空中交通管制员 (ATC) 的安全表现
摘要。空中交通管制员 (ATC) 工作人员的安全绩效是为了保持 ATC 工作人员的健康和安全，以便他们能够最佳地工作。本研究旨在分析性别、年龄、工作时间、执照和评级与 ATC 工作人员安全绩效之间的相关性。本研究是一项横断面研究，样本总数为印度尼西亚巴厘岛 Ngurah Rai 航空导航站的 30 名受访者。数据分析采用卡方检验。研究结果表明，最高的安全绩效是足够的安全绩效，百分比为 36.7%，最低的是优秀的安全绩效，百分比为 10%。与安全绩效相关的重要变量是服务年限，P 值 = 0.041。同时，性别、年龄、执照和安全绩效评级等变量不显著。此外，本研究的结论是服务年限与安全绩效、天气、性别、年龄、执照显著相关，而评级不显著相关。
从空中交通管制员角度看进近和着陆程序的实际问题
醒来时发现卧室里有一架波音 747。如果您曾经飞抵华盛顿国家机场，并想知道为什么您的飞机在着陆前突然转弯，那是因为您的进近没有真正对准跑道。您的进近是在波托马克河的中部，因此您没有产生噪音危害。不幸的是，跑道并没有完全对准河的中部。当天气好的时候，这个程序不会带来什么问题。当天气不好的时候，它可能会很可怕。虽然这通常不被认为是管制员的问题，但您必须记住，任何规定飞机在进近过程中必须在特定时刻的位置的程序都会限制管制员的灵活性。当程序的目的与飞行安全无关时，这尤其令人沮丧。
基于心理生理指标的空中交通管制员心理负荷评估
摘要。本文介绍了一项更广泛研究的一部分，该研究旨在识别和监测职业风险，以及早发现员工身心健康可逆性损伤的迹象和症状、工作能力下降以及工作实践中出现缺陷和危险行为，这是由于高强度的神经心理或身体专业努力造成的。研究结果旨在强调：试验对象所经历的专业努力因素；无法避免的职业风险因素，由于工作量的性质和完成工作的条件，这些因素最终会导致工作能力下降、过早磨损、与工作有关的疾病和工作场所的危险行为，对员工和/或其他人的安全和健康造成严重后果；预防和减少已发现的工作和压力因素的措施，以确保工作场所的健康和安全、最佳利用人力资源和在整个职业生涯中保持工作能力。研究结果可以应用于确保职业健康和安全法规的行动中，并根据现行立法监测员工的健康状况和工作能力。
空中交通管制员 (ATC) 单位的脑力负荷分析...
摘要 空中交通管制员 (ATC) 是塔台上的空中交通管制员，负责控制飞机从起飞到着陆的整个过程。ATC是一个脑力劳动负荷较高的职业。这项研究旨在确定印度尼西亚航空巨港分公司空中交通管制员 (ATC) 部门的脑力负荷水平。此类研究是描述性定性研究。研究数据收集是使用 NASA 任务负荷指数、访谈和观察进行的。样本是通过有目的的技术对总共六名知情人进行确定的。研究表明，机场控制塔 (ADC) 单位在时间需求维度 (439.4) 中占主导地位，因为它受到 11 个关键条件的影响。进近控制服务 (APP) 单位在努力维度 (412.2) 中最高，它受到保持最小间隔任务的影响，而区域控制中心 (ACC) 单位在总体绩效维度 (372.2) 中占主导地位，因为所需的成功程度是完美的。机场管制塔台 (ADC) 单位的平均 ATC 脑力负荷为 89，进近管制服务 (APP) 单位为 81，区域管制中心 (ACC) 为 86，均属重脑力负荷因此需要对工作组织实施定期调查和评估。关键词：工作量测量、脑力负荷、NASA TLX、空中交通管制员 参考书目：34 (1988-2016)
自主空中交通管制员：深度多智能体强化学习方法
空中交通管制是在高度动态和随机环境中的实时安全关键决策过程。在当今的航空实践中，人类空中交通管制员监控并指挥多架飞机飞过其指定空域。随着传统（商用客机）和低空（无人机和 eVTOL 飞机）空域的空中交通复杂性快速增长，需要一个自主空中交通控制系统来适应高密度空中交通并确保飞机之间的安全分离。我们提出了一个深度多智能体强化学习框架，该框架能够识别和解决具有多个交叉点和合并点的高密度、随机和动态航路区中的飞机之间的冲突。所提出的框架采用了演员-评论家模型 A2C，该模型结合了近端策略优化 (PPO) 的损失函数来帮助稳定学习过程。此外，我们使用集中学习、分散执行方案，其中一个神经网络由环境中的所有代理学习和共享。我们表明，我们的框架既可扩展又高效，可容纳大量进场飞机，实现极高的交通吞吐量和安全保障。我们通过在 BlueSky 环境中进行大量模拟来评估我们的模型。结果表明，在极端高密度空中交通场景中，我们的框架能够分别解决交叉点和合并点的 99.97% 和 100% 的所有冲突。