МЕХАНІЗМ ДИНАМІЧНОЇ АДАПТАЦІЇ ПАРАМЕТРІВ ТРЕНАЖЕРНОГО СЕРЕДОВИЩА ДЛЯ РЕАЛІЗАЦІЇ ІНДИВІДУАЛЬНО-КОМАНДНИХ СТРАТЕГІЙ ПІДГОТОВКИ АВІАДИСПЕТЧЕРІВ

А. С. Пальоний; Д. О. Зєнов

doi:10.32782/2521-6643-2026-2-72.39

А. С. Пальоний Державна льотна академія https://orcid.org/0000-0003-1539-3671
Д. О. Зєнов Державна льотна академія https://orcid.org/0009-0006-0957-4846

DOI: https://doi.org/10.32782/2521-6643-2026-2-72.39

Ключові слова: авіадиспетчер, тренажерна підготовка, адаптивне навчання, командна компетентність, пояснюваний штучний інтелект, BlueSky

Анотація

У статті подано механізм динамічної адаптації контенту тренажерного середовища для реалізації індивідуально-командних стратегій підготовки авіадиспетчерів у логіці компетентнісно орієнтованого навчання. Актуальність дослідження зумовлена переходом системи підготовки авіадиспетчерів до компетентнісних моделей ICAO та EASA, а також потребою підвищення ефективності тренажерної підготовки в умовах зростання складності повітряного руху, кадрових обмежень і високих вимог до безпеки польотів. Метою статті є розроблення механізмів динамічного керування параметрами тренажерного середовища, які забезпечують адаптацію сценарію до поточного індивідуально-командного стану курсантів. У роботі використано системний аналіз, навчання та оцінювання на основі компетенцій, байєсівське відстеження знань для оцінювання ймовірності засвоєння окремих навичок, а також інтерпретовані моделі машинного навчання для пояснення командного результату. Запропоновано циклічну шестимодульну архітектуру адаптивного тренажера, що включає моніторинг поведінки, діагностику індикаторів ризику та позитивної практики, прогнозування засвоєння навичок, динамічну адаптацію сценарію, пояснювану оцінку та післятренажерну звітність. Формалізовано вектор поточного стану сесії, індекс навантаження, індекс дефіциту навички та правило хвильової зміни складності за логікою «нарощування – пік – відновлення». Показано, що адаптація має бути не лише кількісною, а й адресною: залежно від домінувального дефіциту система обирає подію з бібліотеки сценарних інтервенцій, не виводячи команду за межі навчального напруження. Для пояснення командної оцінки запропоновано використання моделей градієнтного бустингу з SHAP-аналізом, що дає змогу визначати індивідуальні, негативні, позитивні та компенсаційні внески членів команди. Практичне значення результатів полягає у створенні основи для тренажерних систем нового покоління, здатних у реальному часі підтримувати курсантів у зоні продуктивного навантаження, формувати прозорий післятренажерний звіт для інструктора та підвищувати адресність коригувального впливу

Посилання

1. ICAO. Manual on Air Traffic Controller Competency-Based Training and Assessment. Volume I – Air Traffic Control (ATC). 2nd ed. Montréal : International Civil Aviation Organization, 2022. 451 p.
2. ICAO. Procedures for Air Navigation Services – Training (PANS-TRG). 3rd ed. Montréal : International Civil Aviation Organization, 2020. 218 p.
3. Про внесення змін до Авіаційних правил України «Технічні вимоги та адміністративні процедури щодо видачі свідоцтв та сертифікатів диспетчерів управління повітряним рухом» : наказ Державної авіаційної служби України від 13.05.2025 № 256 URL: https://zakon.rada.gov.ua/laws/show/z0940-25 (дата звернення:
10.03.2026).
4. EUROCONTROL. Performance Review Report 2024. Executive Summary. Brussels : EUROCONTROL, 2025, 16 p.
5. EUROCONTROL. Annual Network Operations Report 2024: Final report. Brussels : EUROCONTROL, 2025. 66 p.
6. Easy Access Rules for Air Traffic Controllers’ Licensing and Certification (Regulation (EU) 2015/340). Cologne : European Union Aviation Safety Agency, 2024. 702 p.
7. EUROCONTROL. Guidelines for TRM Good Practices. Edition 1.1. Brussels : EUROCONTROL, 2015. 39 p.
8. Hu Y., Shen H., Wang B., Teng J., Guo C., Wang Y. Core Competency Assessment Model for Entry-Level Air Traffic Controllers Based on International Civil Aviation Organization Document 10056. Aerospace. 2025. Vol. 12, no. 6. 20 p. DOI: https://doi.org/10.3390/aerospace12060486
9. Duan C., Hu M., Yang L., Gao Q. Core Competency Quantitative Evaluation of Air Traffic Controller in Multi-Post Mode. Applied Sciences. 2023. Vol. 13, no. 18. 22 p. DOI: https://doi.org/10.3390/app131810246
10. Antoško M., Polishchuk V., Kelemen M., Jr., Korniienko A., Kelemen M. Artificial Intelligence Technology for Assessing the Practical Knowledge of Air Traffic Controller Students Based on Their Responses in Multitasking Situations. Applied Sciences. 2025. Vol. 15, no. 1. 20 p. DOI: https://doi.org/10.3390/app15010308
11. Hoskova-Mayerova S., et al. Development of a Methodology for Assessing Workload within the Air Traffic Control Environment in the Czech Republic. Sustainability. 2022. Vol. 14, no. 13. 16 p. DOI: https://doi.org/10.3390/su14137858
12. Rodrigues S., Paiva J. S., Dias D., Aleixo M., Filipe G., Cunha J. P. S. A Wearable System for the Stress Monitoring of Air Traffic Controllers During An Air Traffic Control Refresher Training and the Trier Social Stress Test: A Comparative Study. The Open Biomedical Engineering Journal. 2018. Vol. 11. P. 106-116. DOI:
https://doi.org/10.2174/1875036201811010106
13. Mathieu J. E., Rapp T. L., Maynard M. T., Mangos, P. M. Interactive effects of team and task shared mental models as related to air traffic controllers’ collective efficacy and effectiveness. Human Performance, 2010. Vol. 23, no. 1. P. 22–40. DOI: https://doi.org/10.1080/08959280903400150
14. Papenfuß A. Phenotypes of Teamwork – an Exploratory Study of Tower Controller Teams. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 2013. Vol. 57. DOI: https://doi.org/10.1177/1541931213571070
15. Palonyi A. S., Zienov D. O. Issues in the Development of an Adaptive Learning Environment for Mastering Teamwork Skills of Air Traffic Controllers // Scientific Notes of Taurida National V. I. Vernadsky University. Series: Technical Sciences. 2025. Vol. 36(75), no. 1, part 2. P. 175–183. DOI: 10.32782/2663-5941/2025.1.2/26
16. Šarić-Grgić I., Grubišić A., Gašpar A. Twenty-Five Years of Bayesian Knowledge Tracing: A Systematic Review. User Modeling and User-Adapted Interaction. 2024. Vol. 34, no. 4. P. 1127–1173. DOI: https://doi.org/10.1007/s11257-023-09389-4
17. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS), Long Beach, 4–9 December 2017. P. 4766-4777
18. Degas A., et al. A Survey on Artificial Intelligence and eXplainable AI in Air Traffic Management: Current Trends and Development with Future Research Trajectory. Applied Sciences. 2022. Vol. 12, no. 3. 47 p. DOI: https://doi.org/10.3390/app12031295
19. Sanneman L., Shah J. A. The Situation Awareness Framework for Explainable AI (SAFE-AI) and Human Factors Considerations for XAI Systems. International Journal of Human–Computer Interaction. 2022. Vol. 38, no. 1. P. 1772–1788. DOI: https://doi.org/10.1080/10447318.2022.2081282
20. Jáger R.A., Szabó G. Air Traffic Simulation Framework for Testing Automated Air Traffic Control Solutions. Applied Sciences. 2025. Vol. 15(12):6414. 22 p. DOI: https://doi.org/10.3390/app15126414
21. EASA Concept Paper: Guidance for Level 1 & 2 machine-learning applications. Cologne : European Union Aviation Safety Agency, 2024. 285 p.