Prédiction des erreurs humaines basée sur l’incertitude décisionnelle

30/09/2017
Publication e-STA e-STA 2005-2
OAI : oai:www.see.asso.fr:545:2005-2:20021
DOI :

Résumé

Prédiction des erreurs humaines basée sur l’incertitude décisionnelle

Métriques

13
5
241.82 Ko
 application/pdf
bitcache://aabe22f9a849150e9eba92a4422425e04c5312e9

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/545:2005-2/20021</identifier><creators><creator><creatorName>Frédéric Vanderhaegen</creatorName></creator><creator><creatorName>Abir Chaali</creatorName></creator><creator><creatorName>Zhicheng Zhang</creatorName></creator></creators><titles>
            <title>Prédiction des erreurs humaines basée sur l’incertitude décisionnelle</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2017</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Sat 30 Sep 2017</date>
	    <date dateType="Updated">Sat 30 Sep 2017</date>
            <date dateType="Submitted">Fri 25 May 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">aabe22f9a849150e9eba92a4422425e04c5312e9</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>34036</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

. Prédiction des erreurs humaines basée sur l’incertitude décisionnelle FREDERIC VANDERHAEGEN, ABIR CHAALI, ZHICHENG ZHANG Laboratoire d’Automatique, de Mécaniques et d’Informatique Industrielles et Humaines (LAMIH) Le Mont Houy – 59313 Valenciennes Cedex 9 - France {frederic.vanderhaegen, abir.chaali, zhicheng.zhang}@univ-valenciennes.fr Résumé— Cet article présente une méthode d’analyse prédictive des erreurs humaines prenant en compte l’impact de l’incertitude sur les actions. Pour une décision donnée, des scénarios sont dupliqués en fonction des niveaux d’incertitude sur les paramètres d’analyse, à savoir, les bénéfices, les coûts et les déficits potentiels que cette décision peut engendrer. Cette duplication permet de considérer les données subjectives certaines et incertaines comme pertinentes pour la prise de décision finale et d’accroître la base de connaissance sur les comportements humains. La démarche est appliquée à l’analyse prédictive par réseaux de neurones d’erreurs humaines intentionnelles, appelées franchissements de barrière. Mots clés— Contrôle de trafic ferroviaire, erreur humaine, franchissement de barrière, incertitude, réseaux de neurones, simulation, violation. I. INTRODUCTION Analyser les erreurs humaines affectant la performance du système homme-machine et trouver les moyens pour les réduire nécessitent de comprendre leurs causes, c’est-à-dire, de déterminer les facteurs qui facilitent leur genèse. De nombreuses méthodes d’analyse de risque d’erreur humaine ont alors été développées afin de prendre en compte ces facteurs propices à l’occurrence d’erreurs et de définir les actions préventives ou correctives, c’est-à-dire, les parades pour les contrôler [1, 2]. Cet article s’intéresse à un facteur humain qui n’est pas pris en compte dans ces méthodes d’analyse: l’incertitude sur les évaluations subjectives. Deux approches peuvent être considérées dans une démarche de prise en compte de l’impact de l’incertitude dans la prise de décision humaine : (1) le retrait des données incertaines dans l’analyse des comportements humains en supposant qu’elles n’interviennent pas dans la prise de décision ou (2) le maintien de ces données en considérant qu’elles restent pertinentes pour la prise de décision. La méthode d’analyse prédictive présentée dans cet article s’appuie sur la deuxième approche. Les comportements humains sont analysés en termes d’incertitude sur la perception des bénéfices, des coûts et des déficits potentiels associés à une décision donnée. Une méthode de duplication de scénarios comportementaux est alors nécessaire pour déterminer, en fonction d’évaluations subjectives incertaines et certaines, tous les scénarios possibles affectés à une même décision. Cet article présente tout d’abord les principes de base d’analyse prédictive des erreurs humaines intentionnelles basée sur l’incertitude décisionnelle. Il donne ensuite un exemple d’application permettant de valider les hypothèses sur l’intérêt de la prise en compte des incertitudes dans l’analyse des comportements humains ou des situations de travail. II. ANALYSE PREDICTIVE DES ERREURS HUMAINES Le contexte de l’étude permet de définir l’erreur humaine et de présenter le type d’erreur sur lequel la méthode d’analyse prédictive va s’appliquer. La démarche de prise en compte de l’incertitude dans l’évaluation subjective des bénéfices, des coûts et des déficits potentiels associés aux comportements humains ou aux situations de travail à contrôler est ensuite développée. Enfin, un réseau de neurones est proposé pour mettre en œuvre cette approche. A. Le contexte de l’étude Deux types d’erreurs peuvent être définis [2] : les dérives comportementales, à savoir des écarts entre ce qui est fait réellement et ce qui aurait dû être fait, et les dérives situationnelles, à savoir des écarts entre la situation obtenue réellement et celle qui aurait dû être obtenue. Cet article traite des dérives situationnelles qui sont le résultat de dérives comportementales. Par rapport à un opérateur donné, les mécanismes de propagation d’une dérive comportementale sont issus de processus cognitifs de traitement de l’information, Figure 1 : Figure 1. Propagation de dérives • Une erreur d’acquisition est le résultat du processus de perception ou d’interprétation d’une situation courante. Lorsque le résultat de l’acquisition est erroné, ceci se traduit par une dérive entre la représentation que se fait l’opérateur du système et l’état réel de ce dernier. Cet écart de représentation peut alors avoir des conséquences sur le traitement de l’information et de ce fait sur l’action. • Ensuite, le processus du traitement de l’information est erroné lorsque son résultat ne correspond pas avec les prescriptions relatives à la situation courante. L’erreur de traitement de l’information inclut non seulement l’erreur de diagnostic de la situation courante par rapport aux Procédé et son environnement Perception de la situation courante Choix d’action Pronostic d’évolution de la situation courante avec ou sans action Diagnostic de l’état de la situation courante avant ou après action Situation réelle Perception correcte ou erronée Diagnostic correct ou erroné Pronostic correct ou erroné Action correcte ou erronée . situations précédentes, et l’erreur de pronostic des situations futures par rapport à la situation courante. • Enfin, contrairement aux processus internes d’acquisition et de traitement d’une situation, c’est une action sur le procédé qui peut modifier l’état de celle-ci. Une erreur d’action est soit une bonne exécution d’une mauvaise action, soit une erreur d’exécution d’une bonne action, soit une erreur d’exécution d’une mauvaise action. Ces dérives comportementales ou les dérives situationnelles qui en résultent peuvent alors être comparées à partir de plusieurs référentiels, par exemple le concepteur d’un équipement donné et les utilisateurs de cet équipement. Trois modes de dérives peuvent être observés, Figure 2 : • Le mode erroné est un mode de dérive involontaire relative à une prescription mais est inacceptable pour le concepteur et l’opérateur. • Le mode détourné est un mode d’erreur intentionnelle ou de violation pour lequel les prescriptions du concepteur ne sont volontairement pas suivies par les utilisateurs. Il peut s’agir de malveillances, de sabotages ou encore de violations sans intention de nuire. • Le mode ajouté est un mode d’utilisation nouveau qui a été préalablement analysé par l’utilisateur et non par le concepteur car il ne correspond à aucune prescription. Il crée un nouveau comportement ou une nouvelle situation qui consiste par exemple à utiliser un support de travail existant pour atteindre un objectif supplémentaire ou à créer un nouveau moyen pour atteindre un objectif prévu, alors qu’un mode détourné permet d’atteindre un objectif prévu mais en modifiant volontairement le comportement prescrit. Figure 2. Modes de dérives Il faut noter qu’un comportement ou une situation lié à une prescription et toléré par le concepteur mais inacceptable pour l’opérateur humain reste un mode normal. Dans cet article, les prescriptions sont donc supposées correctes et ce cas particulier de divergence d’opinion peut être du à la prudence ou l’inexpérience de l’opérateur humain qui préfère ne pas suivre les prescriptions du concepteur. La démarche d’analyse qui suit vise la prédiction de modes détournés particuliers : les franchissements de barrière. Il s’agit de l’évaluation des non-respects de défenses techniques prévues par le concepteur de l’équipement correspondant afin de protéger les opérateurs humains contre l’occurrence ou les conséquences d’événements indésirables. B. Démarche de prise en compte de l’incertitude Une situation à un instant donné est définie comme l’ensemble des événements présents au même instant pour lesquels une ou plusieurs tâches de l’opérateur sont requises. La gravité d’une situation est une combinaison des gravités associées à ces événements, déterminées à partir de fonctions de gravité prédéfinies. Un franchissement de barrière est une dérive comportementale dont les conséquences sur la situation courante peuvent être analysées suivant trois paramètres d’évaluation multicritère, Figure 3, [3] : • Un bénéfice immédiat qui représente le gain associé au non-respect de la barrière. • Un coût immédiat qui est une perte acceptable pour l’utilisateur afin d’atteindre le bénéfice attendu. Il est physique lors du retrait de la barrière, puis cognitif afin de contrôler le déficit potentiel. • Un déficit potentiel est une perte inacceptable due à un échec possible du franchissement de barrière. Figure 3. Bénéfice, coût et déficit potentiel d’un franchissement de barrière (pour simplifier, les seuils d’acceptabilité sont linéaires et constants) Les effets de l’expérience sur l’occurrence de modes de dérives sont illustrés dans l’exemple de la Figure 4. La perception des conséquences de dérives comportementales ou situationnelles peut être modifiée au cours du temps. Par exemple, un mode erroné ou ajouté non-intentionnel peut devenir un mode détourné ou ajouté intentionnel à partir du moment où la perception du déficit potentiel et le coût associés décroît et celle du bénéfice s’amplifie. Figure 4. Evolution de la perception des conséquences d’une dérive Dérive comportementale ou Dérive situationnelle Tolérée par l’opérateur? Liée à une prescription? Non Oui Oui Liée à une prescription? Non Non Oui Mode ajouté Mode normal Mode ajouté Mode normal Tolérée par le concepteur? Tolérée par le concepteur? Mode détourné Mode erroné Oui Oui Non Non Analyse de dérives convergente Analyse de dérives divergente Perception des conséquences d’une dérive Temps Bénéfice Déficit potentiel Coût Mode détourné Mode ajouté délibéré Très faible Très forte 0 Mode erroné Mode ajouté involontaire Bénéfice immédiat Coût immédiat Déficit possible Gravité du franchissement de barrière Temps Seuil d’acceptabilité de l’opérateur humain Seuil d’acceptabilité prescrite . La relation R entre l’occurrence d’un franchissement de barrière notée FB(t1 ) à un instant t1 donné et ses conséquences en termes de bénéfices, coûts et déficits potentiels à un instant t2 (notés B(t2 ), C(t2 ) et D(t2 ) respectivement, avec t2 = t1 ± ∆ t1 selon qu’il s’agit de pré-conditions ou de post-conditions à l’occurrence de FB à la date t1), peut être étudiée en intégrant des fonctions de pondération ou d’ajustement α(t2 ), β(t2 ), γ(t2 ) et en prenant en compte un taux d’erreur éventuelle d’évaluation ε( t2 ) : FB(t1 ) R ← → (α(t2 ).B(t2 ), β( t2 ).C(t2 ), γ( t2 ).D(t2 ), ε( t2 )) Par exemple, les fonctions α(t), β(t) et γ(t) calibrent l’importance de telle ou telle conséquence dans la prise de décision. Le taux d’erreur ε( t) correspond à une sur-estimation ou une sous-estimation et peut être décomposé afin d’ajuster l’évaluation des bénéfices, des coûts ou des déficits potentiels. La démarche de prise en compte de l’incertitude dans la prédiction des franchissements de barrière se base sur ces fonctions α(t), β(t) et γ(t) qui déterminent le niveau de certitude dans l’évaluation des bénéfices, des coûts et des déficits potentiels perçus ou attendus. Elle consiste à considérer l’incertitude comme critère décisionnel associé aux critères d’évaluation des pertes et des gains. Ainsi, le formalisme prend en compte des couples (S, λS ) d’évaluation subjective pour lesquels : • S est la valeur de l’amplitude d’une perte ou d’un gain perçu par rapport à un critère de performance donné. Il s’agit de B(t), C(t) ou D(t). S est une valeur discrète sur l’intervalle [0, +∞[ et plus S est grand, plus l’amplitude perçue est élevée. • λS est le niveau de certitude subjectif sur S. Il s’agit de α(t), β(t) ou γ(t) associé à B(t), C(t) ou D(t) respectivement. Trois valeurs de λS sont possibles : ELEVE (i.e. incertitude minimale), MODERE (i.e. incertitude moyenne), FAIBLE (i.e. incertitude maximale). La démarche consiste alors à propager les certitudes sur les valeurs adjacentes de S qui n’ont pas été sélectionnées dans l’évaluation subjective. Cette opération s’effectue à partir de fonctions de distribution normale, notées Fmin, Fmoy et Fmax, centrées sur S et définies de [0, +∞[ vers [0, 1], Figure 5. X-2 X-1 X=S X+1 X+2 Valeurs subjectives X d’évaluation de perte ou de gain perçu sur un critère 0 1 Valeurs de certitude λ sur X (1=certitude maximale; 0= certitude minimale) Transformation Fmin(X) pour λs = FAIBLE et tel que max(Fmin(X)) = Fmin(S) Transformation Fmoy(X) pour λs = MODERE et tel que max(Fmoy(X)) = Fmoy(S) Transformation Fmax(X) pour λs = ELEVE et tel que max(Fmax(X)) = Fmax(S) Figure 5. Exemples de transformation de la certitude sur S et ses valeurs adjacentes en fonction de λS Ainsi, pour chaque critère d’évaluation de pertes ou de gains, à savoir les bénéfices, les coûts ou les déficits potentiels, la procédure de propagation suit les règles suivantes : • (λS = ELEVE) → (∀ X, λX ← Fmax(X)) • (λS = MODERE) → (∀ X, λX ← Fmoy(X)) • (λS = FAIBLE) → (∀ X, λX ← Fmin(X)) X représente toutes les valeurs possibles pour l’évaluation de l’amplitude d’un gain ou d’une perte. Les fonctions Fmin, Fmoy et Fmax sont les transformations numériques des niveaux de certitude sur X à partir des valeurs initiales (S, λS ). Il est alors possible de dupliquer les scénarios d’allocation de bénéfices, de coûts et de déficits potentiels, associés à une décision de respect ou de franchissement de barrière, en se basant sur cette méthode de transformation d’évaluation subjective. Cette duplication s’effectue sur les vecteurs d’entrée d’un réseau de neurones qui représentent les scénarios possibles pour une décision donnée. C. Support d’analyse par réseaux de neurones Un réseau de neurones permet de copier partiellement le traitement de l’information effectué par des opérateurs humains. Il est composé d’une série de neurones interconnectés et agissant de manière à résoudre une tâche donnée [4]. La tâche à modéliser ici est le respect ou le franchissement par les utilisateurs d’une machine donnée de barrières techniques prévues par les concepteurs de celle-ci. Un neurone intègre en général une sommation p des entrées xi pondérées par des poids wi et une transformation de cette pondération par une fonction F(p), Figure 6. Les entrées xi d’un neurone peuvent être externes à un réseau de neurones ou être les sorties d’un de ces derniers. Différentes connexions peuvent alors être déterminées à partir des flux de transfert de l’information dans un réseau donné. Par exemple, dans une connexion récurrente, le calcul de la sortie d’un neurone est un processus en boucle fermée alors que dans une connexion directe, il est en boucle ouverte. Figure 6. Principes d’un réseau de neurone Les travaux de Kohonen [4] basés sur les cartes auto- organisatrices ont été appliqués pour valider la démarche générale. Une carte auto-organisatrice est le résultat d’un réseau récurrent de k neurones à n entrées et k sorties. Elle permet d’établir une cartographie des distributions de données en propageant par calcul de similarité la sortie d’un neurone sur les neurones voisins. On peut imaginer que le + F . . . wn w2 w1 xn p s p s p p s p s p s p s Structure d ’un neurone Exemples de fonctions F(p) Exemples de connexions entre neurones Liens directs Liens récurrents s = p (s = 0) ∨ (s = 1) (s = -1) ∨ (s = 1) 1 ( ) n i i i s F w x = = ∑ x2 x1 . fonctionnement de ce réseau se présente sous la forme d’une série de n harpes à k cordes désaccordées et dont les notes initiales sont inconnues. La phase d’apprentissage du réseau permet alors d’accorder toutes les harpes en fonction des avis des opérateurs humains et de déterminer le meilleur accord commun. Les valeurs initiales des poids wi sont fixées arbitrairement mais sont remises à jour successivement afin de déterminer le modèle reproduisant le plus fidèlement possible le comportement des données d’entrée. Ces dernières sont implantées dans le réseau sous la forme d’un vecteur d’entrée x={x1, x2, …, xn}. La sortie du réseau est un autre vecteur y={y1, y2, …, yk}. A la première itération, la sortie yi de chaque neurone est alors 1 n i ij j j y w x = = ∑ où le poids du neurone i est le vecteur wi={wi1, wi2, …, win}. Avant d’entamer les itérations suivantes pour le calcul de nouvelles sorties jusqu’à la fin de la phase d’apprentissage, le réseau recherche le neurone i0 à partir d’une fonction de similarité prédéfinie : 0 min T T T T i k k x w x w − = − . Le réseau remet ensuite à jour les poids de ce neurone ainsi que ceux des neurones voisins en appliquant la règle suivante : T T T T j j j w w x w α   ← + −   , α étant une fonction de réajustement d’un poids à partir d’une distance donnée. Dans la problématique de prédiction des franchissements de barrière, la transformation des vecteurs d’entrée du réseau de neurones est expliquée dans la section précédente. Elle permet de dupliquer les cas traités par le réseau dans la phase d’apprentissage. Dans celle-ci, les vecteurs d’entrée sont donc les scénarios (notés Sc1, Sc2, etc.) possibles d’occurrence ou de respect de franchissements de barrière, Table 1. Ils comportent les valeurs transformées α, β et γ pour toutes les valeurs des bénéfices B, des coûts C et des déficits potentiels D respectivement, associées à i critères d’évaluation subjective. Ils comprennent également le facteur de franchissement FB d’une barrière donnée. Par exemple, ce facteur peut être le numéro de la barrière correspondant à l’évaluation et un indicateur de franchissement ou de respect de cette barrière par les opérateurs humains. La phase de prédiction consistera alors à déterminer les caractéristiques de ce facteur en fonction des autres paramètres du vecteur d’entrée. Table 1. Vecteurs d’entrée du réseau de neurone x α1 B1 . . . αi Bi β1 C1 . . . βi Ci γ1 D1 . . . γi Di F B Sc1 Sc2 … L’application de ce type de réseau auto-organisant a été réalisée à partir des données subjectives d’expérimentations faites avec une plate-forme TRANSPAL au travers de laquelle le franchissement des barrières a été évalué par les opérateurs humains en termes de bénéfices, coûts et déficits potentiels et de niveaux de certitude associés [5]. Il s’agit alors d’établir une cartographie des distributions de ces évaluations subjectives. Pour la phase de prédiction, par rapport aux données subjectives des opérateurs humains sur les conséquences d’un franchissement de barrière et en prenant en compte les résultats de la phase d’apprentissage issus de scénarios observés, le réseau de neurones doit être capable de dire si telle ou telle barrière sera franchie ou non. III. APPLICATION AU CONTROLE FERROVIAIRE La validation de la démarche d’analyse prédictive des erreurs intentionnelles basée sur l’incertitude a été réalisée à partir d’une plate-forme de simulation TRANSPAL. 20 sujets ont suivi un protocole expérimental prédéfini sur celle-ci afin d’interpréter subjectivement les franchissements de barrière en termes de bénéfices, de coûts et de déficits potentiels en considérant différents critères d’évaluation. Enfin, le réseau de neurones présenté précédemment a été utilisé pour permettre une comparaison du taux de prédiction correcte avec et sans la prise en compte des incertitudes sur ces évaluations. A. La simulation TRANSPAL La plate-forme TRANSPAL permet de simuler le contrôle des mouvements de palettes sur rails, d’un dépôt vers un autre dépôt, en passant par des zones de transformation du contenu de ces palettes, telles que des zones d’usinage ou d’assemblage, Figure 7. Figure 7. Interfaces de la simulation TRANSPAL Ces zones possèdent un nombre prédéfini de quais dont certains peuvent accueillir les palettes dans les 2 sens de circulation. Les opérateurs humains ont alors pour mission de contrôler les mouvements et le traitement des palettes, et de les aiguiller en respectant les trajets et les cadences prévus. Différents déficits potentiels ont été préalablement identifiés : déraillement de palettes, collision entre palettes, collision entre palettes et opérateurs humains des zones de transformation, retard sur le planning, traitement partiel ou nul des palettes dans les zones de transformation. Ainsi, afin de contrôler les comportements ou les situations pouvant générer ces déficits, différentes barrières ont été intégrées dans la plate-forme [2] : • Des barrières matérielles et fonctionnelles : feux de signalisation contrôlant l’entrée et la sortie des palettes dans un dépôt, feux de signalisation contrôlant les palettes dans les zones de transformation, feux de signalisation pour synchroniser les annonces de mouvement de palette dans les zones de transformation, les feux de signalisation pour l’arrêt et le traitement des palettes dans les zones de Sens de circulation prescrit Dépôt: arrivée et départ de palettes Heure courante Feux pour le contrôle de flux avec aiguillage Zone de transformation Cheminement d’une palette Trajet et horaires prévus pour une palette Aiguille Annonce des arrivées et des départs des palettes en zone de transformation Feux pour le contrôle de flux sans aiguillage . transformation, feux de signalisation contrôlant les aiguilles. • Des barrières immatérielles : respect du sens de circulation prescrit, respect du délai de traitement des palettes dans les zones de transformation, remise systématique des feux de signalisation au rouge après le passage d’une palette au vert, annonce de l’arrivée et du départ d’une palette dans les zones de transformation, respect des horaires prévues sachant que l’avance sur le planning est fortement encouragée. B. Protocole expérimental Trois phases expérimentales ont été retenues pour mettre les sujets en situation de contrôle d’un procédé muni de barrières, avec la possibilité de les franchir : une phase d’entraînement de familiarisation avec l’interface, le procédé à contrôler et l’ensemble des barrières mises en œuvre ; une simulation avec toutes les barrières ; et une seconde simulation avant laquelle le sujet choisit les barrières à maintenir. Les données retenues pour comparer les deuxième et troisième phases expérimentales sont subjectives et concernent, entre autres, l’estimation par les opérateurs humains des conséquences de franchissement de barrière en termes de bénéfices, coûts et déficits potentiels pour les critères d’évaluation suivants : • La sécurité prenant en compte les collisions face à face ou de rattrapage, les déraillements, les absences et les erreurs de synchronisation des annonces au départ et à l’arrivée des palettes au niveau des zones de transformation. • La charge de travail interprétée en terme d’exigences des tâches ou de complexité de la situation de travail. • La production par rapport aux taux de produits traités par palette dans les zones de transformation. • La qualité relative au respect des horaires prévus, sachant qu’il est préférable d’être en avance. 20 membres du projet européen UGTMS (Urban Guided Transport Management System) ont participé à cette campagne expérimentale. Quatre familles de barrières ont été étudiées : celle des feux des dépôts, celle des feux pour les aiguillages, celle des feux en zones de transformation et celle des annonces pour le contrôle des flux dans ces zones. La pratique de ces feux lors de la phase d’entraînement et de la phase de simulation avec toutes les barrières physiques a permis à ces 20 sujets de juger de la pertinence ou de l’utilité de celles-ci. Dans la dernière phase expérimentale, ils devaient choisir les feux qu’ils désiraient supprimer. Ces retraits étaient alors assimilés à des franchissements hors-ligne de barrière dont les conséquences étaient évaluées pour chaque critère en précisant le niveau d’incertitude dans les évaluations subjectives. Les valeurs pour les estimations subjectives des bénéfices, des coûts et des déficits potentiels sont discrètes et évoluent de 1 (valeur minimale) à 5 (valeur maximale). Les incertitudes sur ces évaluations ont été interprétées à partir de trois niveaux de certitude : un niveau de certitude élevée, un niveau de certitude modérée et un niveau de certitude faible. C. Résultats préliminaires Les fonctions de transformation Fmin, Fmoy et Fmax, présentées dans la section II.B, ont été adaptées et simplifiées empiriquement de manière à ce que : [ ] , 0,1 X X λ ∀ ∈ et 5 1 1 X X λ = = ∑ , Table 2. Elles concernent l’allocation des niveaux de certitude λX pour toutes les valeurs de X appartenant à l’intervalle [1, 5] à partir de données initiales (S, λS ). Table 2. Tables de transformation (E : ELEVE, M : MODERE, F : FAIBLE) λS S X λX λS S X λX X=S 1 X=S 0,60 X=S+1 et X=S-1 0,20 E S∈[1,5] X≠S 0 M S∈[2,4] X≠S et X≠S±1 0 X=1 0,65 X=5 0,65 X=2 0,35 X=4 0,35 M S=1 X∉[1,2] 0 M S=5 X∉[4,5] 0 X=1 0.50 X=1 0.175 X=2 0.25 X=2 0.5 X=3 0.125 X=3 0.175 X=4 0.075 X=4 0.10 F S=1 X=5 0.05 F S=2 X=5 0.05 X=1 0.075 X=1 0.05 X=2 0.175 X=2 0.10 X=3 0.50 X=3 0.175 X=4 0.175 X=4 0.5 F S=3 X=5 0.075 F S=4 X=5 0.175 X=1 0.05 X=2 0.075 X=3 0.125 X=4 0.25 F S=5 X=5 0.50 La table 3 donne un exemple de ce processus de transformation par duplication de vecteurs d’entrée (Sc1 à Sc10) suite aux évaluations subjectives initiales (ESI) d’un opérateur humain sur un critère. Table 3. Exemple de duplication des scénarios α1 B1 β1 C1 γ1 D1 ESI Modéré 1 Faible 1 Elevé 1 Sc1 0,65 1 0,5 1 1 1 Sc2 0,65 1 0.25 2 1 1 Sc3 0,65 1 0.125 3 1 1 Sc4 0,65 1 0.075 4 1 1 Sc5 0,65 1 0.05 5 1 1 Sc6 0,35 2 0,5 1 1 1 Sc7 0,35 2 0.25 2 1 1 Sc8 0,35 2 0.125 3 1 1 Sc9 0,35 2 0.075 4 1 1 Sc10 0,35 2 0.05 5 1 1 La méthodologie qui a été mise en œuvre pour comparer les taux de prédiction correcte avec et sans la prise en compte des degrés d’incertitude sur les évaluations subjectives est illustrée dans la Figure 8. La phase de duplication des scénarios suit la démarche précédente, et ce pour chaque critère d’évaluation à savoir, la sécurité, la production, la qualité et la charge de travail des opérateurs humains. Dans la phase d’apprentissage, le facteur de franchissement de barrière est pris en compte dans les vecteurs d’entrée du réseau de neurones et traite les évaluations subjectives des N premiers opérateurs humains, N . étant initialisé à 5. La phase de prédiction cherche à déterminer les caractéristiques du facteur de franchissement de barrière pour les autres opérateurs humains. Pour chacun d’entre eux, un seul vecteur d’entrée est proposé comprenant les valeurs réelles subjectives des bénéfices, des coûts et des déficits pour lesquels les niveaux de certitude ont été transformés via la fonction Fmin, Fmoy ou Fmax,. Il est alors possible de calculer le taux de prédiction correcte correspondant en comparant les résultats de la prédiction sur l’état du franchissement de barrière par rapport aux résultats réels. Afin d’observer une convergence éventuelle dans le calcul de ce taux et de déterminer le niveau d’apprentissage minimum, la procédure se termine lorsque N = 16. Figure 8. Méthodologie de comparaison du taux de prédiction avec et sans la prise en compte de l’incertitude La Figure 9 illustre les résultats du calcul de ce taux de prédiction avec et sans la prise en compte de l’incertitude. Figure 9. Taux de prédiction correcte avec et sans incertitude Dans l’itération 1, la phase d’apprentissage comprend 5 sujets et la prédiction est réalisée pour les 15 autres. A chaque nouvelle itération, le nombre de sujets impliqués dans l’apprentissage du réseau de neurones est incrémenté de 1 pour traiter en prédiction le reste des opérateurs humains. Ainsi, la phase d’apprentissage de l’itération 12 intègre les données subjectives des 16 premiers sujets pour pouvoir prédire les facteurs du franchissement de barrière des 4 autres. Les résultats montrent que les taux de prédiction convergent à partir de la 7ème ou 8ème itération et que ceux avec l’incertitude sont meilleurs que ceux sans l’incertitude. IV. CONCLUSION Cet article a proposé une démarche originale d’intégration de niveaux d’incertitude dans la prédiction d’erreurs intentionnelles appelées franchissements de barrière. Les résultats montrent que la prise de décision dépend de la connaissance sur des estimations subjectives non seulement certaines mais aussi incertaines. La duplication de scénarios basée sur l’estimation du niveau d’incertitude permet d’une part d’accroître la base de connaissance sur les comportements humains dépendant des bénéfices, des coûts et des déficits potentiels qu’ils génèrent, et d’autre part d’optimiser leur prédiction. Les études futures s’orientent vers deux points centraux : • Le paramétrage des fonctions de transformation pour déterminer celles qui permettent d’obtenir les meilleures prédictions. • L’identification de franchissement erroné de barrière lorsque par exemple les évaluations subjectives des bénéfices, des coûts et des déficits potentiels sont erronés malgré un niveau de certitude élevé pour chacune d’entre elles. Une nouvelle étude est en cours de préparation pour étudier ces perspectives dans le cadre de la conduite automobile. V. REMERCIEMENTS Les auteurs remercient les membres du projet européen UGTMS (Urban Guided Transport Management System) pour leur participation à la campagne expérimentale sur la plate- forme TRANSPAL. VI. RÉFÉRENCES [1] B. Kirwan, « Validation of human reliability assessment techniques: part2 - Validation results », Safety Science, 27, 43-75. [2] F. Vanderhaegen, « Analyse et contrôle de l’erreur humaine », Hermès Science publication : Cachan, 2003. [3] P. Polet, « Modélisation des franchissements de barrière pour l’analyse des risques des systèmes homme- machine », Thèse de doctorat, Université de Valenciennes et du Hainaut-Cambrésis, décembre 2002. [4] T. Kohonen, « Self-Organizing Maps », Third Edition, Springer : New York, 2001. [5] Z. Zhang, « Fiabilité humaine: prédiction des violations par réseaux de neurones et application aux systèmes de transport », Thèse de doctorat, Université de Valenciennes et du Hainaut-Cambrésis, mars 2004. 1 2 3 4 5 6 7 8 9 10 11 12 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Itérations Taux prédiction correcte avec niveaux d’incertitude sans niveaux d’incertitude Duplication des vecteurs d’entrée à partir de niveau de certitude pour le bénéfice, le coût et le déficit potentiel associés à chaque critère d’évaluation Mise en œuvre de la phase d’apprentissage pour les N premiers opérateurs humains Mise en œuvre de la phase de prédiction pour les 20-N autres opérateurs humains Calcul du taux de prédiction correcte par comparaison entre les résultats du réseau de neurones et les actions réelles Fin de la procédure ? N ← N + 1 Non Comparaison des taux de prédiction avec et sans la prise en compte de l’incertitude Oui Duplication des vecteurs d’entrée à partir de niveau de certitude pour le bénéfice, le coût et le déficit potentiel associés à chaque critère d’évaluation Mise en œuvre de la phase d’apprentissage pour les N premiers opérateurs humains Mise en œuvre de la phase de prédiction pour les 20-N autres opérateurs humains Calcul du taux de prédiction correcte par comparaison entre les résultats du réseau de neurones et les actions réelles Fin de la procédure ? N ← N + 1 Non Comparaison des taux de prédiction avec et sans la prise en compte de l’incertitude Oui