为什么疲劳首先被当作安全问题
疲劳不只是感觉累。在航空领域，疲劳被定义为由睡眠不足、长时间清醒、生物钟时相或工作负荷引起的精神或身体表现能力下降，并被当作对飞行安全的一种公认威胁[4]。既然疲劳无法消除，按这个逻辑，就只能加以管理——这正是疲劳风险管理系统（FRMS）的用途：一套以数据为驱动的做法，持续监测和管理与疲劳相关的安全风险[3][4]。
在疲劳明显削弱那些保障人身安全的技能的地方，管理疲劳的理由最充分。在135名建筑工人中，疲劳程度越高，危险识别能力越差，对安全风险的感知也越弱；统计模型把危险识别能力约三分之一的变异、风险感知约四分之一的变异与疲劳因素联系起来[5]。这只是一个人群中的相关性，不能证明疲劳导致事故，但它显示了一条合理的路径：疲惫的工人注意到的危险更少，而且会把看到的危险判断得不那么危险。
整套系统能减少差错和事故吗？
一项大型综述筛查了2000多条记录，最终纳入231条，其核心发现令人不安：很少有研究为整套FRMS提供真正的证据基础[3]。该综述确实发现，各个单独组成部分——根据排班预测疲劳的生物数学模型、自我报告测量和绩效监测——改善了关键的安全指标和疲劳指标。据此，作者得出结论：整套FRMS很可能带来积极的安全结果，但这只是合理的推断，而非已被证明的结果[3]。
在航空领域，情况类似，而且大多着眼于未来。一篇分析认为，人工智能可以通过分析实时数据来发现和预测疲劳，并在事故征候发生前触发应对措施，从而加强FRMS，并引用了业内AI辅助监测的案例研究[1][4]。另一篇把AI支持的生理监测、预测性疲劳建模和决策支持提示描述为加强疲劳管理的手段[2]。这些都是关于此类系统如何运作的提议和框架，而不是对事故减少量的实际测量。
疲劳系统中哪些部分分量最重
综述给出的最明确答案是：实施条件与技术工具同样重要。组织和员工的投入、工作场所文化以及培训，被认为是FRMS成功实施的关键促进因素[3]。同一篇综述警告说，在安全文化不够成熟、资源匮乏的地方，这些系统很难运行好——因此，一个技术上过关的项目若处在薄弱的安全文化中，可能收效甚微[3]。
在系统的结构中，反复被提到的一个组成部分是持续的风险评估与监测。FRMS的定义特征就是持续的风险评估，而不是固定的工时规则[3]；航空领域的研究强调，每个核心组成部分——政策、风险评估、数据驱动监测和培训——都承担治理角色，安全保证需要成为一个持续、适应性强的过程[2]。在员工层面，一项建筑研究发现，在疲劳的各个方面中，班次之间的恢复和急性疲劳对安全绩效的影响最深远，这指向排班和休息是高杠杆的干预目标[5]。该研究还按有效性从高到低排列了干预措施：消除危害、替代危害、工程解决方案、管理措施，最后是个人防护装备[5]。
疲劳系统可能在哪些地方帮倒忙
增加自动化并不自动带来保护。关于人机协作的分析提出，在高度自动化或单人驾驶的环境中，AI辅助可能无意中提高疲劳风险，因为它会制造警觉性要求、带来沉重的监测负担，或提供校准不佳的帮助[2]。该分析还建议，风险评估应增加新的危害类别，比如过度依赖算法警报，以及任务重新分配导致的认知负荷不足——这些是作者为治理提出的可能性，并非已确立的结果[2]。
数据质量是另一个薄弱环节。为AI疲劳工具提供数据的数据可靠性和有效性被描述为对其效果至关重要，同时还存在训练数据偏差、隐私问题和成本等风险[4]。综述的实用建议是采用混合模式：组织可以要么遵守严格的工时合规控制，要么在需要灵活性时采用基于风险的方法——这一选择取决于安全文化和资源的实际成熟程度[3]。
本文引用的文献
人工认知系统在航空疲劳风险管理系统实施中的作用
将人工认知系统整合到航空疲劳风险管理中，可以利用实时数据和预测分析来识别疲劳风险并提醒机组，但该论文并未确定哪些组成部分最有效。
疲劳风险管理系统（FRMS）在航空生态系统中实施人机协作的作用
FRMS的每个核心组成部分——政策、风险评估、数据驱动监测和培训——在人机协作中都承担治理角色，而自动化本身可能引入疲劳危害，如监测负担和过度依赖警报。
疲劳风险管理系统（FRMS）的效果如何？一项综述
很少有研究为整套FRMS提供证据基础，但生物数学模型、自我报告测量和绩效监测等组成部分改善了安全指标和疲劳指标，组织投入、文化和培训是关键促进因素。
人工智能在疲劳风险管理系统中的作用
AI可以通过可穿戴设备和行为数据以及个性化缓解措施，加强航空领域的疲劳检测和预测，但数据可靠性、偏差、隐私和成本仍是挑战。
疲劳这一隐蔽的安全威胁：调查建筑工人因疲劳导致的事故风险
在135名建筑工人中，疲劳与较差的危险识别能力和安全风险感知相关，其中班次间恢复和急性疲劳的影响最强。