A Monotone Redundancy-Aware Decision-Burden Method for Explainable Human Oversight in Human–Robot Collaboration

Technische Samenvatting: Een Monotone Redundantie-bewuste Beslissingsbelasting-methode voor Verklaarbare Menselijke Toezicht

Probleemstelling
Betrouwbare mens-robot samenwerking (HRC) vereist besluitvormingsondersteunende systemen die uitleggen waarom menselijk toezicht wordt aanbevolen, zonder dat een geaggregeerde score directe veiligheidsvoorwaarden kan overstijgen. Bestaande methoden kampen vaak met twee specifieke problemen:

1. Wiskundige Instabiliteit: Eerdere formuleringen van de Artificial Age Score (AAS), een redundantie-bewuste maatstaf voor structurele belasting, maakten gebruik van een activiteit-genormaliseerde ratio voor de redundantie-aanpassing. Deze benadering creëert discontinuïteiten bij schaarse grenzen; het activeren van een verwaarloosbare overlappende component kan leiden tot een plotselinge sprong in de redundantieratio, wat een discontinue totale score veroorzaakt die kan dalen wanneer een input-belasting toeneemt. Dit schendt de semantische vereiste voor toezichtsbesluitvorming, waarbij een verslechtering van een input de score niet mag verbeteren.
2. Verklaarbaarheid en Veiligheid: Een totale score alleen is onvoldoende voor toezicht. Systemen moeten onderscheid maken tussen directe veiligheidstriggers (bijv. onmiddellijk botsingsrisico) en geaccumuleerde operationele belasting, terwijl ze ervoor zorgen dat het pad van inputs naar advies begrijpelijk blijft en dat verplichte veiligheidscontroles nooit worden onderdrukt door een geaggregeerde berekening.

Methodologie
De studie herformuleert de AAS tot een Monotone Redundantie-bewuste Beslissingsbelasting-methode. De benadering werkt op een genormaliseerd gebeurtenisprofiel $u \in [0, 1]^6$ dat zes dimensies vertegenwoordigt: taakgevaarlijkheid, menselijk veiligheidsrisico, omgevingsonzekerheid, taalkritikaliteit, blootstellingsfrequentie en interventiecomplexiteit.

De kerninnovaties van de methodologie omvatten:

1. Logaritmische Belastingbewijslast: Inputs worden getransformeerd naar consistentiewaarden en vervolgens naar logaritmische straftermen ($p_i$) om de toenemende marginale impact van belasting te vangen naarmate de inputs hun maximum naderen.
2. Paarsgewijze Overlapcorrectie: Om de onstabiele activiteit-genormaliseerde ratio te vervangen, introduceert de auteur een gladde, symmetrische paarsgewijze overlapfunctie $h_\kappa(a, b) = \frac{ab}{a+b+\kappa}$. Deze functie is continu, zelfs wanneer componenten inactief zijn (verdwijnende inputs resulteren in verdwijnende redundantie-effecten).
3. Monotone Aggregatie: De uiteindelijke score $S_{AAS}$ wordt berekend door een gewogen som van paarsgewijze overlappingen af te trekken van de som van de basisbewijslast:
   $$S_{AAS}(u) = \sum y_i - \gamma \sum_{i<k} q_{ik} h_\kappa(y_i, y_k)$$
   waarbij $y_i$ de gewogen basisbewijslast is, $q_{ik}$ de conceptuele overlap vertegenwoordigt en $\gamma$ de kortingssterkte is.
4. Theoretische Garanties: De auteur bewijst dat als de kortingssterkte $\gamma$ en de maximale gewogen graad van de overlapgraaf $d_{max}$ voldoen aan $\gamma d_{max} \le 1$, de score coördinaatgewijs monotoon is (het verhogen van een input kan de score niet verlagen) en continu.
5. Exacte Attributie: Een component-attributiemechanisme verdeelt de helft van elke paarsgewijze korting aan elke deelnemende component, waardoor de som van de bijdragen exact gelijk is aan de totale score zonder negatieve attributies.
6. Twee-fasen Architectuur: Het systeem scheidt een "harde veiligheidspoort" (verplichte controle als specifieke directe veiligheidsindicatoren drempelwaarden overschrijden) van een "gekalibreerde toezichtdrempel" (score-gebaseerde aanbeveling). De geaggregeerde score kan de verplichte poort niet overrulen.

Belangrijkste Bijdragen

• Wiskundige Correctie: Het artikel biedt een voldoende voorwaarde ($\gamma d_{max} \le 1$) en een specifieke functionele vorm (paarsgewijze overlap met parametrische smoothing $\kappa$) die continuïteit en monotoniciteit garanderen, waarmee de discontinuïteitsproblemen van de vorige ratio-gebaseerde AAS worden opgelost.
• Auditeerbare Attributie: De methode introduceert een mechanisme om de redundantiekorting te deconstrueren in niet-negatieve componentbijdragen, wat de "belasting"-berekening traceerbaar maakt.
• Computationeel Validatieprotocol: Een rigoureus evaluatiekader met 65.536 gescrambelde Sobol-profielen om randgedrag, monotoniciteit en concordantie met een onafhankelijk regelgebaseerd beleid te testen.
• Beslissingsregistratie Standaard: Een voorgestelde outputstructuur die de score, bijdragen, dominante bewijslast, poortstatus en versie-informatie bevat om verklaarbaar toezicht te ondersteven.

Resultaten
De methode werd geëvalueerd in een gecontroleerde computationele studie tegenover een lineaire gewogen som en een ongecorrigeerde logaritmische score:

• Monotoniciteit: Over 1.179.648 coördinaatgewijze perturbatiecontroles produceerde de gecorrigeerde methode nul scoreverlagingen. In tegenstelling hiertoe produceerde de legacy ratio-gebaseerde aanpassing 3.484 verlagingen, wat de theoretische monotoniciteitsgarantie bevestigt.
• Concordantie: Tegenover een onafhankelijk gespecificeerd toezichtbeleid behaalde de gecorrigeerde score een held-out ROC AUC van 0,892 (95% CI 0,887–0,897) en een gebalanceerde accuratesse van 0,800. Dit presteerde beter dan de ongecorrigeerde logaritmische score (AUC 0,880, Bal. Acc. 0,788) en de lineaire som (AUC 0,757).
• Robuustheid: Sensitiviteitsanalyses toonden aan dat de rangschikkingen stabiel bleven onder inputruis (Spearman correlatie > 0,92 zelfs bij hoge ruisniveaus) en gewichtsperturbaties (mediaan correlatie 0,989).
• Randgedrag: Numerieke tegenvoorbeelden toonden aan dat de gecorrigeerde score continu en monotoon blijft bij schaarse grenzen waar de legacy-methode een discontinue daling van ongeveer 0,53 eenheden vertoonde.

Betekenis en Claims
Het artikel positioneert dit werk als een methodologische bijdrage in plaats van een nieuw robotbesturingsalgoritme of een gevalideerd klinisch/arbeidsveiligheidstool.

• Reikwijdte: De studie vestigt de wiskundige en computationele validiteit van de gecorrigeerde score onder gecontroleerde profielen. Er wordt expliciet gesteld dat het niet de meetlaag (de normalisatie van specifieke werkpleisbewijslast) valideert noch beweert klinische of veldeffectiviteit te bezitten.
• Rol in HRC: De methode is ontworpen als een interpreteerbare toezicht-ondersteuningslaag. Het is geen vervanging voor risicobeoordeling, veiligheidsgestuurde controle of stopfuncties. De primaire waarde ligt in het organiseren van monitoringinformatie en het bieden van een traceerbare, monotone aggregatie van belasting die directe veiligheidsprioriteiten respecteert.
• Beperkingen: De auteur benadrukt dat domeinspecifieke elicitatie van gewichten en overlapgrafen, evenals prospectieve human-factors validatie, noodzakelijk zijn vóór implementatie. Het "Artificial Age"-concept wordt overgebracht van generatieve AI-geheugenevaluatie naar HRC-beslissingsbelasting, waarbij zorgvuldige differentiatie tussen de meet-, aggregatie- en beslissingslagen vereist is.

Samenvattend biedt het artikel een wiskundig rigoureuze, monotone en verklaarbare aggregatiemethode die voorkomt dat een "score override" van veiligheidsvoorwaarden optreedt, terwijl het een transparante decompositie van beslissingsbelasting biedt, gevalideerd door uitgebreide computationele tests.