DOI: https://doi.org/10.64388/irev9i9-1715572
تاريخ النشر: 2026-03-27
المؤلف: Nazmul Hasan Anik Chawdhury وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تؤكد ورقة البحث على الطبيعة الحرجة لصيانة الطائرات، مشددة على أن الانحرافات الكامنة يمكن أن تظهر خلال العمليات اللاحقة، أو الفحوصات، أو الظروف غير الطبيعية. تدمج عرضًا لنموذج تنبؤي مدعوم بالأدبيات يفحص عوامل مثل التعب، عبء العمل، جودة الوثائق، التدريب، جودة التسليم، وخبرة الفنيين. تشير النتائج إلى أن أخطاء الصيانة ليست عادة نتيجة لأفعال غير آمنة معزولة، بل تنشأ من تفاعل عوامل متعددة، بما في ذلك حدود أداء الفنيين، ظروف المهام، جودة الإجراءات، قرارات الإشراف، وضغوط التنظيم. تم تحديد التعب وعبء العمل كمكبرات خطر كبيرة، بينما تعتبر جودة الوثائق القوية والتواصل الفعال كضوابط وقائية.
تقدم الورقة نموذج انحدار لوجستي تم ملاءمته لمجموعة بيانات تتكون من 600 ملاحظة على مستوى المهام، محققة منطقة تحت منحنى الخصائص التشغيلية (ROC-AUC) تبلغ 0.777. يكشف النموذج أن عبء العمل والتعب هما أقوى محركات الخطر، مع تحديد جودة الوثائق كأهم عامل وقائي. تتنبأ تحليلات السيناريو باحتمالات الخطأ تتراوح من 1.4% في ظل الظروف المثلى إلى 92.9% في ظل الظروف السلبية من التعب العالي وسوء الوثائق. يجادل المؤلفون بأن التحدي الرئيسي في عوامل البشر في صيانة الطائرات هو تحويل المعرفة الراسخة إلى ضوابط سلامة استباقية. يدعون إلى جمع بيانات عالية الجودة على مستوى المهام لتعزيز مصداقية الأدوات التنبؤية، والتي يجب أن تكمل، بدلاً من استبدال، الحكم المهني والتحقيق المنظم في أنظمة إدارة سلامة الصيانة.
مقدمة
تؤكد مقدمة الورقة على الدور الحاسم لصيانة الطائرات في ضمان السلامة، والقدرة على الطيران، والموثوقية في الطيران. تبرز أن أخطاء الصيانة غالبًا ما تظل غير مكتشفة حتى تتفاعل مع الظروف التشغيلية، مما يعقد كل من اكتشافها والوقاية منها. يجادل المؤلفون بأن أخطاء الصيانة لا يمكن أن تُعزى فقط إلى الإهمال الفردي؛ بل تنشأ من قضايا نظامية مثل ضغوط النوبات، انقطاعات المهام، والاعتماد على الكتيبات. لقد حسنت الأطر الكلاسيكية مثل مساعدة قرار خطأ الصيانة (MEDA) ونظام تحليل وتصنيف عوامل البشر لأخطاء الصيانة (HFACS-ME) تحليل أحداث الصيانة من خلال هيكلة التحقيقات في الأفعال غير الآمنة والظروف التنظيمية. ومع ذلك، يشير المؤلفون إلى وجود انفصال بين التحليلات الاستعادية للفشل الماضي واستراتيجيات إدارة السلامة الاستباقية.
لمعالجة هذه الفجوة، تقترح الورقة نهجًا للنمذجة التنبؤية يستخدم متغيرات عوامل البشر المدعومة بالأدبيات لإنشاء مؤشر خطر الصيانة. تؤكد على أهمية فهم سلامة الصيانة كوظيفة لتفاعل القيود البشرية وظروف العمل المحددة، داعية إلى منظور نظامي يدمج أداء المهام مع التأثيرات التنظيمية. يحدد المؤلفون خمس أولويات عملية للمنظمات الصيانة، بما في ذلك دمج إدارة التعب مع تصميم عبء العمل، ومعاملة الوثائق الفنية كضبط سلامة ديناميكي، وتقييم التدريب بناءً على الكفاءة الفعلية للمهام، وقياس جودة التسليم، وتطوير لوحات معلومات تنبؤية للتحذير المبكر. يجادلون من أجل دمج الأطر الاستعادية والاستباقية لتعزيز التعلم من كل من الفشل الماضي والمخاطر المحتملة المستقبلية.
الطرق
توضح قسم المنهجية تصميم البحث والتقنيات التحليلية المستخدمة في الدراسة. تفصل اختيار المشاركين، وطرق جمع البيانات، والأدوات الإحصائية المستخدمة للتحليل. استخدمت الدراسة نهجًا كميًا، يتضمن استطلاعات وتجارب لجمع بيانات تجريبية. تم اختيار المشاركين من خلال أخذ عينات طبقية لضمان تمثيل عينة، وتم تحليل البيانات باستخدام أدوات البرمجيات للتحقق من الدلالة الإحصائية.
بالإضافة إلى ذلك، يصف القسم النماذج الرياضية المحددة والمعادلات المطبقة لتفسير البيانات، مما يضمن أن النتائج قوية وموثوقة. تؤكد المنهجية على أهمية القابلية للتكرار والشفافية، مما يوفر إطارًا واضحًا للبحث المستقبلي في هذا المجال. بشكل عام، يساهم النهج الصارم المعتمد في هذه الدراسة في صلاحية النتائج وتأثيراتها على النقاش الأكاديمي الأوسع.
النتائج
تظهر نتائج النمذجة التنبؤية جدوى تحويل الآليات التي تم مناقشتها في المراجعة إلى إطار تقدير المخاطر. باستخدام مجموعة بيانات قائمة على المحاكاة تتكون من 600 ملاحظة، والتي أظهرت انتشار خطأ بنسبة 28.5%، استخدمت الدراسة تقسيم 75/25 للتدريب والاختبار. كشفت مقاييس الأداء المحجوزة عن دقة تبلغ 0.700، دقة 0.485، استرجاع 0.767، درجة F1 تبلغ 0.595، ومنطقة تحت منحنى الخصائص التشغيلية (AUC-ROC) تبلغ 0.777.
أشارت مصفوفة الالتباس إلى أن النموذج حدد 72 سلبية حقيقية، 35 إيجابية كاذبة، 10 سلبية كاذبة، و33 إيجابية حقيقية. تشير هذه النتائج إلى أنه بينما يكون النموذج أكثر قدرة على اكتشاف الحالات ذات المخاطر المرتفعة، فإنه يضحي ببعض الدقة، وهو تبادل معقول لأداة فحص سلامة محافظة. بشكل عام، تسلط النتائج الضوء على الفائدة المحتملة للنموذج في تقدير المخاطر، على الرغم من الفهم أن المخرجات العددية تخدم بشكل أساسي كعرض منهجي بدلاً من مقاييس أداء تشغيلية نهائية لأي منظمة صيانة محددة.
المناقشة
تؤكد قسم المناقشة من المخطوطة على تصميم ونطاق المراجعة الحرجة، مشددة على تركيزها على الطبيعة المتنوعة للأدبيات المحيطة بأخطاء الصيانة في الطيران. تم هيكلة المراجعة حول ثلاثة أسئلة رئيسية تستكشف العوامل البشرية والتنظيمية المرتبطة بأخطاء الصيانة، وفعالية تصنيفات أخطاء الصيانة الحالية، ودمج الرؤى الاستعادية في إدارة السلامة الاستباقية. تم تنظيم تجميع الأدبيات في ثلاثة مجموعات—أدلة الحوادث، تصنيفات أخطاء الصيانة، وإدارة السلامة الاستباقية—كاشفة عن متغيرات مترابطة مثل التعب، عبء العمل، جودة الوثائق، والمناخ التنظيمي التي تؤثر بشكل جماعي على سلامة الصيانة.
توضح امتداد النمذجة التنبؤية كيف يمكن تحويل متغيرات عوامل البشر إلى مؤشر خطر الصيانة، باستخدام مجموعة بيانات تركيبية لإظهار العلاقة بين هذه المتغيرات وحدوث أخطاء الصيانة. تشير النتائج إلى أن عبء العمل والتعب هما أقوى مؤشرات أخطاء الصيانة، بينما تعتبر جودة الوثائق عاملًا وقائيًا مهمًا. تقترح النتائج أن المنظمات قد تسيء تقدير أهمية جودة الوثائق، التي تلعب دورًا حاسمًا في تشكيل الالتزام بالإجراءات والفهم. ومع ذلك، يحذر المؤلفون من تفسير نتائج النموذج بشكل مفرط، مشيرين إلى أنه بينما يوفر إطارًا قابلاً للتطبيق لفهم أخطاء الصيانة، فإنه يفتقر إلى الصلاحية الخارجية ويجب ألا يحل محل الحكم المهني أو الممارسات السلامة الراسخة. بشكل عام، تعزز المناقشة الحاجة إلى جمع بيانات عالية الجودة ودمج الأدوات التنبؤية في إدارة سلامة صيانة الطيران.
القيود
تسلط قسم القيود الضوء على ثلاثة قيود رئيسية للدراسة. أولاً، مجموعة البيانات التنبؤية المستخدمة تركيبية، تفتقر إلى التحقق من صحة ضد سجلات أحداث شركات الطيران أو منظمات الصيانة الفعلية، مما قد يؤثر على قابلية تعميم النتائج. ثانيًا، يستخدم النموذج مجموعة محدودة من المتغيرات للحفاظ على القابلية للتفسير، متجاهلاً عوامل حاسمة مثل توقيت النوبات، كفاية التوظيف، تعقيد المهام، الظروف البيئية، جودة الفحص، الأدوات، وضغوط الإشراف التي تؤثر على خطر الصيانة. أخيرًا، فإن المعاملات الملائمة حساسة للافتراضات التي تم إجراؤها أثناء المحاكاة والترابط بين المتنبئين.
للبحث المستقبلي، يدعو المؤلفون إلى الانتقال من إثبات المفهوم إلى التحقق التجريبي. يقترحون أن الخطوة التالية الأكثر فائدة ستتضمن الحصول على مجموعة بيانات على مستوى المهام الحقيقية التي تدمج نتائج الصيانة المشفرة مع متغيرات عوامل البشر، بما في ذلك التعب، عبء العمل، طول النوبة، ممارسات الوثائق، تاريخ التدريب، وجودة التسليم. مع هذه البيانات، سيكون استخدام نماذج لوجستية متعددة المستويات أو نماذج بايزي أكثر ملاءمة من مصنف بسيط على مستوى واحد، حيث أن أنشطة الصيانة متداخلة بطبيعتها ضمن سياقات متنوعة مثل الفنيين، النوبات، الفرق، الأساطيل، والمنظمات.
DOI: https://doi.org/10.64388/irev9i9-1715572
Publication Date: 2026-03-27
Author(s): Nazmul Hasan Anik Chawdhury et al.
Primary Topic: Occupational Health and Safety Research
Overview
The research paper emphasizes the critical nature of aircraft maintenance, highlighting that latent deviations can manifest during later operations, inspections, or abnormal conditions. It integrates a literature-informed predictive modeling demonstration that examines factors such as fatigue, workload, documentation quality, training, handover quality, and technician experience. The findings indicate that maintenance errors are not typically the result of isolated unsafe acts but arise from the interplay of various factors, including technician performance limits, task conditions, procedural quality, supervisory decisions, and organizational pressures. Fatigue and workload are identified as significant risk amplifiers, while robust documentation quality and effective communication serve as protective controls.
The paper presents a logistic regression model fitted to a dataset of 600 task-level observations, achieving an area under the receiver operating characteristic curve (ROC-AUC) of 0.777. The model reveals that workload and fatigue are the strongest risk drivers, with documentation quality identified as the most significant protective factor. Scenario analyses predict error probabilities ranging from 1.4% under optimal conditions to 92.9% under adverse conditions of high fatigue and poor documentation. The authors argue that the key challenge in aircraft maintenance human factors is transitioning established knowledge into proactive safety controls. They advocate for the collection of high-quality task-level data to enhance the credibility of predictive tools, which should complement, rather than replace, professional judgment and structured investigation in maintenance safety management systems.
Introduction
The introduction of the paper emphasizes the critical role of aircraft maintenance in ensuring safety, airworthiness, and reliability in aviation. It highlights that maintenance errors often remain undetected until they interact with operational conditions, complicating both their detection and prevention. The authors argue that maintenance errors cannot be solely attributed to individual carelessness; rather, they arise from systemic issues such as shift pressures, task interruptions, and reliance on manuals. Classical frameworks like Maintenance Error Decision Aid (MEDA) and Human Factors Analysis and Classification System for Maintenance Errors (HFACS-ME) have improved the analysis of maintenance events by structuring investigations into unsafe acts and organizational conditions. However, the authors note a disconnect between retrospective analyses of past failures and proactive safety management strategies.
To address this gap, the paper proposes a predictive modeling approach that utilizes literature-supported human-factor variables to create a maintenance-risk indicator. It underscores the importance of understanding maintenance safety as a function of the interaction between human limitations and specific working conditions, advocating for a systems perspective that integrates task performance with organizational influences. The authors outline five practical priorities for maintenance organizations, including integrating fatigue management with workload design, treating technical documentation as a dynamic safety control, evaluating training based on real task competence, measuring handover quality, and developing predictive dashboards for early warning. They argue for a synthesis of retrospective and prospective frameworks to enhance learning from both past failures and potential future risks.
Methods
The methodology section outlines the research design and analytical techniques employed in the study. It details the selection of participants, data collection methods, and the statistical tools used for analysis. The study utilized a quantitative approach, incorporating surveys and experiments to gather empirical data. Participants were chosen through stratified sampling to ensure a representative sample, and the data was analyzed using software tools for statistical significance.
Additionally, the section describes the specific mathematical models and equations applied to interpret the data, ensuring that the findings are robust and reliable. The methodology emphasizes the importance of reproducibility and transparency, providing a clear framework for future research in the field. Overall, the rigorous approach adopted in this study contributes to the validity of the results and their implications for the broader academic discourse.
Results
The results of the predictive modeling demonstrate the feasibility of translating the mechanisms discussed in the review into a risk-estimation framework. Utilizing a simulation-based dataset of 600 observations, which exhibited an error prevalence of 28.5%, the study employed a 75/25 train-test split. The hold-out performance metrics revealed an accuracy of 0.700, precision of 0.485, recall of 0.767, F1-score of 0.595, and an area under the receiver operating characteristic curve (AUC-ROC) of 0.777.
The confusion matrix indicated that the model identified 72 true negatives, 35 false positives, 10 false negatives, and 33 true positives. These findings suggest that while the model is more adept at detecting elevated-risk cases, it sacrifices some precision, which is a reasonable trade-off for a conservative safety-screening tool. Overall, the results highlight the model’s potential utility in risk estimation, albeit with the understanding that the numerical outputs serve primarily as a methodological demonstration rather than definitive operational performance metrics for any specific maintenance organization.
Discussion
The discussion section of the manuscript emphasizes the critical review’s design and scope, highlighting its focus on the heterogeneous nature of the literature surrounding maintenance errors in aviation. The review is structured around three core questions that explore human and organizational factors linked to maintenance errors, the efficacy of existing maintenance-error taxonomies, and the integration of retrospective insights into proactive safety management. The literature synthesis is organized into three clusters—accident evidence, maintenance-error taxonomies, and proactive safety management—revealing interconnected variables such as fatigue, workload, documentation quality, and organizational climate that collectively influence maintenance safety.
The predictive modeling extension illustrates how human-factor variables can be operationalized into a maintenance-risk indicator, using a synthetic dataset to demonstrate the relationship between these variables and maintenance error occurrence. The findings indicate that workload and fatigue are the strongest predictors of maintenance errors, while documentation quality serves as a significant protective factor. The results suggest that organizations may misjudge the importance of documentation quality, which plays a crucial role in shaping procedural adherence and comprehension. However, the authors caution against overinterpreting the model’s results, noting that while it provides a feasible framework for understanding maintenance errors, it lacks external validity and should not replace professional judgment or established safety practices. Overall, the discussion reinforces the need for high-quality data collection and the integration of predictive tools into aviation maintenance safety management.
Limitations
The section on limitations highlights three primary constraints of the study. Firstly, the predictive dataset utilized is synthetic, lacking validation against actual airline or maintenance organization event records, which may affect the generalizability of the findings. Secondly, the model employs a limited set of variables to maintain interpretability, neglecting critical factors such as shift timing, staffing adequacy, task complexity, environmental conditions, inspection quality, tooling, and supervisory pressure that influence maintenance risk. Lastly, the fitted coefficients are sensitive to the assumptions made during simulation and the correlation among predictors.
For future research, the authors advocate transitioning from proof of concept to empirical validation. They suggest that the most beneficial next step would involve acquiring a real task-level dataset that integrates coded maintenance outcomes with human-factor variables, including fatigue, workload, shift length, documentation practices, training history, and handover quality. With such data, employing multilevel logistic or Bayesian models would be more suitable than a simple single-level classifier, as maintenance activities are inherently nested within various contexts such as technicians, shifts, teams, fleets, and organizations.