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

기술 요약: 비행선 정비 요원을 위한 복합적 인간 준비도 지수

문제 제기
비행선 항공기 정비는 수면 부족, 불충분한 회복, 지속적인 업무 부하, 주의력 저하로 인해 발생하는 잠재적 정비 오류가 안전에 직결되는 도메인이다. 현재의 안전 도구들은 대부분 사후적(예: 정비 오류 결정 보조 도절, MEDA)이거나 조직적 범위(예: 피로 위험 관리 시스템, FRMS)에 국한되어 있어, 현장 감독관들을 위한 공백을 남겨두고 있다. 개인의 인적 요인을 월 단위(person-month level)로 통합하여, 오류가 발생하기 전에 선제적으로 준비도 저하를 신호할 수 있는 단순하고, 미래 지향적이며, 방어 가능한 지표가 부족한 실정이다.

방법론
본 논문은 일상적인 비행선 기록으로부터 계산될 수 있도록 설계된 투명한 복합 지수인 **통합 인적 준비도 수치(Aggregated Personnel-readiness Number, APN)**를 공식화한다. 방법론은 세 가지 핵심 구성 요소로 이루어진다:

1. 변수 선정 및 정규화:
   모델은 오류 위험과 문헌적으로 입증된 연관성이 있으며 일상 운영에서 가용성이 높은 다섯 가지 입력을 통합한다:

   • 수면 시간 ($S$): 생리적 목표치(약 7.5시간)에 맞춰 정규화하며, 수면 부족뿐만 아니라 과도하게 긴 수면에 대해서도 페널티를 부여한다.
   • 신체 운동 ($E$): 과도한 운동을 조장하지 않으면서 적절한 활동에 보상을 주도록 상한선을 설정한다.
   • 과업 완료율 ($P$): 작업 시간당 수행된 과업 수로 계산하며, 부대별 역사적 분포를 기준으로 정규화한다.
   • 오류 횟수 ($M$): 검증된 정비 오류 횟수로, 음의 페널티 항 역할을 한다.
   • 인지-경계 점수 ($C$): 표준화된 시간 제한형 주의력/산술 테스트 점수이다.

   각 입력값은 특정 정규화 함수(예: $S^* = \max\{0, 1 - |S - S_0|/a\}$)를 사용하여 $[0, 1]$ 사이의 무차원 값으로 매핑된다.

2. 모델 공식화:

   • 일일 지수: 경계가 지정된 가중 합산(0–10)을 통해 정규화된 입력값들을 결합한다. 초기에는 전문가가 할당한 가중치를 사용하여 투명하고 해석 가능한 일일 점수($APN_d$)를 생성한다. 오류 항은 음의 가중치를 가져, 단순한 속도가 아닌 안전한 생산성을 보상하도록 보장한다.
   • 월간 업데이트: 전문가의 가설에서 데이터 기반 통찰로 나아가기 위해, 본 논문은 정규화된 회귀(L2/Ridge) 절차를 제안한다. 데이터가 축적됨에 따라, 초기 가중치는 해당 부대의 성과 결과로부터 유도된 국지적 추정 계수($\beta$)로 대체된다. 이는 작은 표본 크기와 상관관계가 있는 예측 변수들을 고려하기 위함이다.

3. 예시 계산:
   본 논문은 12개월 치의 가공된 데이터를 사용하여 완전하게 명시된 비경험적(non-empirical) 예시를 제공한다. 이 섹션은 실제 성능을 주장하기 위한 것이 아니라 오직 계산 로직을 설명하기 위한 목적으로, 단계별 APN 점수 계산 및 그에 따른 "위험 지수" 산출 과정을 보여준다.

주요 기여
본 논문은 모델 명세와 경험적 검증을 혼동하지 않기 위해 기여를 두 가지 뚜xt한 부분으로 명확히 구분한다:

1. 완전하게 명시되고 감사 가능한 모델: 본 논문은 APN을 구축하기 위한 재현 가능한 수학적 프레임워크를 제공한다. 여기에는 변수 선택, 정규화 체계, 해석 가능한 초기 가중치 구조, 그리고 정규화된 회귀를 통해 국지적 추정 계수로 전환되는 원칙적인 메커니즘이 포함된다.
2. 사전 등록된 검증 프로토콜: 현재 적절한 현장 데이터셋이 존재하지 않음을 인식하여, 본 논문은 향로적인 전향적 관찰 코호트 연구를 위한 엄격한 사전 등록 프로토콜을 개설한다. 이 프로토콜은 다음을 정의한다:
   • 연구 설계: 612개월 동안 60150명의 인원 대상.
   • 결과 변수: 감독관이 확인한 정비 품질 이벤트(오류, 재작업).
   • 분석 계획: 혼합 효과 로지스틱 회귀, ROC 곡선 판별력, 교정 곡선, 그리고 특정 중단 규칙을 포함한 교차 검증.
   • 의사 결정 규칙: 사후 합리화를 방지하기 위한 사전 약속된 성공, 효용성 부재 및 재교정 기준(예: AUC $\ge$ 0.70).

결과
논문에 명시된 바와 같이, 어떠한 경험적 결과도 제시되지 않는다. 수치 섹션(섹션 5)과 시각화 자료는 "비경험적 예시 작업"으로 명시되어 있다. 표 3의 가공된 데이터는 문헌에서 발견된 질적 관계(예: 수면 감소와 오류 증가가 낮은 APN 점수로 이어짐)와 내부적으로 일치하도록 구성되었으나, 이는 측정된 관측치를 나타내는 것이 아니라 예측 성능을 나타내는 것도 아니다. 본 논문은 실제 환경에서의 지수의 정확성, 민감도 또는 특이성에 대해 어떠한 주장도 하지 않는다.

의의 및 주장
본 논문은 APN을 검증된 운영 도구가 아니라, 안전 관리 시스템(SMS)을 위한 후보 의사결정 지원 계층으로 위치시킨다. 그 의의는 다음과 같다:

• 방법론적 투명성: 경험적 주장을 유보하면서, 감사 가능하고 오용에 강한 "재사용 가능한 방법론적 기여"를 제공한다.
• 선제적 안전 문화: 사후적 책임 추궁에서 선제적 지원으로 초점을 전환한다. 낮은 APN 점수는 징계 조치가 아닌 휴식, 업무량 또는 의료적 요인에 관한 감독관과의 대화를 유도하기 위한 것이다.
• 윤리적 거버넌스: 본 논문은 배포 시 정보 동의, 접근 제어, 편향성 감사를 포함한 엄격한 윤리적 안전장치가 필요함을 강조하며, 이를 통해 다양한 역할과 직급 간의 공정한 처우를 보장해야 함을 명시한다.
• 과학적 엄밀성: 검증 프로토콜을 사전 등록함으로써, 향후 현장 연구가 사전 약속된 기준에 따라 평가되도록 보장하며, 이는 항공 정비 분야의 증거 기반 인적 요인 개입에 대한 필요성을 해결한다.

요약하자면, 본 논문은 새로운 인간 준비도 지표의 "설계도"와 "테스트 계획"을 제공하며, 효능에 대한 주장은 제안된 검증 연구가 수행될 때까지 명시적으로 유보한다.