A Composite Human-Readiness Index for Flight-Line Maintenance Personnel: Model Formulation and a Pre-Registered Validation Protocol

Resumen Técnico: Un Índice Compuesto de Preparación Humana para el Personal de Mantenimiento en Línea de Vuelo

Planteamiento del Problema
El mantenimiento de aeronaves en línea de vuelo es un dominio donde la seguridad es crítica, y la degradación de la preparación humana —impulsada por la pérdida de sueño, la recuperación insuficiente, la carga de trabajo sostenida y la reducción de la atención— puede conducir a errores de mantenimiento latentes. Las herramientas de seguridad actuales son mayoritariamente retrospectivas (p. ej., el Maintenance Error Decision Aid) o de alcance organizacional (p. ej., los Sistemas de Gestión de Riesgos de Fatiga), dejando un vacío para los supervisores de primera línea. Existe una falta de un indicador sencillo, con visión de futuro y defendible que agregue los factores humanos individuales a nivel de persona-mes para señalar proactivamente la disminución de la preparación antes de que ocurran errores.

Metodología
El artículo formula el Número de Preparación de Personal Agregado (APN, por sus siglas en inglés), un índice compuesto transparente diseñado para ser computado a partir de registros rutinarios de la línea de vuelo. La metodología consta de tres componentes principales:

1. Selección y Normalización de Variables:
   El modelo integra cinco entradas seleccionadas por su vínculo, respaldado por la literatura, con el riesgo de error y su disponibilidad en las operaciones rutinarias:

   • Duración del Sueño ($S$): Normalizada a un objetivo fisiológico (aprox. 7.5 horas), penalizando tanto el sueño acortado como el excesivamente largo.
   • Ejercicio Físico ($E$): Limitado para recompensar la actividad razonable sin fomentar el esfuerzo excesivo.
   • Tasa de Completación de Tareas ($P$): Calculada como tareas por hora de trabajo, normalizada frente a las distribuciones históricas específicas de la unidad.
   • Conteo de Errores ($M$): Un conteo verificado de errores de mantenimiento, que sirve como un término de penalización negativa.
   • Puntuación de Vigilancia Cognitiva ($C$): Una puntuación de prueba de atención/aritmética estandarizada y con un tiempo determinado.

   Cada entrada se mapea a un valor adimensional en $[0, 1]$ utilizando funciones de normalización específicas (p. ej., $S^* = \max\{0, 1 - |S - S_0|/a\}$).

2. Formulación del Modelo:

   • Índice Diario: Una suma ponderada acotada ($0–10$) combina las entradas normalizadas. Inicialmente, se utilizan pesos asignados por expertos para crear una puntuación diaria transparente e interpretable ($APN_d$). El término de error lleva un peso negativo para asegurar que el índice recompense la productividad segura en lugar de la velocidad bruta.
   • Actualización Mensual: Para pasar de las suposiciones de expertos a los conocimientos basados en datos, el artículo propone un procedimiento de regresión regularizada (L2/Ridge). A medida que se acumulan los datos, los pesos iniciales son reemplazados por coeficientes estimados localmente ($\beta$) derivados de los resultados de desempeño de la unidad específica. Esto tiene en cuenta los tamaños de muestra pequeños y los predictores correlacionados.

3. Cómputo Ilustrativo:
   El artículo proporciona un ejemplo práctico no empírico totalmente especificado con datos fabricados para 12 meses-técnico. Esta sección demuestra el cálculo paso a paso de la puntuación APN y el "Índice de Riesgo" resultante, estrictamente para ilustrar la lógica computacional sin realizar afirmaciones de desempeño.

Contribuciones Clave
El artículo separa explícitamente sus contribuciones en dos partes distintas, evitando la confusión entre la especificación del modelo y la validación empírica:

1. Un Modelo Totalmente Especificado y Auditable: El artículo proporciona un marco matemático completo y reproducible para la construcción del APN. Esto incluye la elección de las variables, los esquemas de normalización, una estructura de ponderación inicial interpretable y un mecanismo principista para la transición a coeficientes estimados localmente mediante regresión regularizada.
2. Un Protocolo de Validación Pre-registrado: Reconociendo que actualmente no existe un conjunto de datos de campo, el artículo describe un riguroso protocolo de estudio de cohorte observacional prospectivo pre-registrado. Este protocolo define:
   • Diseño del Estudio: 60–150 personas durante 6–12 meses.
   • Resultados: Eventos de calidad de mantenimiento verificados por supervisores (errores, retrabajo).
   • Plan de Análisis: Regresión logística de efectos mixtos, discriminación de curva ROC, curvas de calibración y validación cruzada con reglas de parada específicas.
   • Reglas de Decisión: Criterios pre-comprometidos de éxito (p. ej., AUC $\ge$ 0.70), futilidad y recalibración para evitar la racionalización post-hoc.

Resultos
Como afirma el artículo, no se presentan resultados empíricos. La sección numérica (Sección 5) y las visualizaciones están etiquetadas explícitamente como "ejemplos ilustrativos no empíricos". Los datos fabricados en la Tabla 3 están construidos para ser internamente consistentes con las relaciones cualitativas encontradas en la literatura (p. ej., un menor sueño y un mayor conteo de errores resultan en puntuaciones APN más bajas), pero estos números no representan observaciones medidas ni desempeño predictivo. El artículo no hace ninguna afirmación respecto a la exactitud, sensibilidad o especificidad del índice en un entorno real.

Significancia y Reivindicaciones
El artículo posiciona al APN no como una herramienta operativa validada, sino como un candidato a capa de soporte de decisiones para los Sistemas de Gestión de Seguridad (SMS). Su significancia radica en:

• Transparencia Metodológica: Ofrecer una "contribución metodológica reutilizable" que sea auditable y resistente al mal uso, distinta de la afirmación empírica diferida.
• Cultura de Seguridad Proactiva: Desplazar el enfoque del reproche retrospectivo hacia el apoyo proactivo. Se pretende que una puntuación APN baja desencadene conversaciones de supervisión sobre descanso, carga de trabajo o factores médicos, en lugar de acciones disciplinarias.
• Gobernanza Ética: El artículo enfatiza que cualquier despliegue requiere salvaguardas éticas estrictas, incluyendo el consentimiento informado, controles de acceso y auditorías de sesgo para asegurar un trato justo entre los diferentes roles y niveles de antigüedad.
• Rigor Científico: Al pre-registrar el protocolo de validación, el trabajo asegura que el eventual estudio de campo será evaluado contra criterios pre-comprometidos, abordando la necesidad de intervenciones de factores humanos basadas en evidencia en el mantenimiento de la aviación.

En resumen, el artículo proporciona el "plano" y el "plan de prueba" para una nueva métrica de preparación humana, difiriendo explícitamente la afirmación de eficacia hasta que se lleve a cabo el estudio de validación propuesto.