Iranian Journal of Ergonomics

fa تحلیلی بر مطالعات ارزیابی قابلیت ‌اطمینان و تحلیل ریسک خطاهای انسانی با نگاهی بر گسترش هوش مصنوعی و کارخانه تاریک An Analytical Perspective on Human Reliability Assessment and Human Error Risk Studies (2010–2023): Exploring the Role of Artificial Intelligence and Lights-Out Manufacturing سایر موارد Other Cases مروری نظام‌مند Systematic Review <div class="rounded" style="background: rgb(238, 238, 238); border: 1px solid rgb(204, 204, 204); padding: 5px 10px; text-align: justify;">اهداف: با پیچیده‌ترشدن سامانه‌های صنعتی و ورود فناوری‌های تجهیزمحور، نقش انسان در ایمنی و کارایی سیستم‌ها همچنان کلیدی باقی مانده‌ است. این پژوهش با مرور مطالعات HRA در بازه ۲۰۱۰ تا ۲۰۲۳، به شناسایی و مقایسه روش‌های تحلیلی مختلف، انطباق آن‌ها با فناوری‌هایی نظیر هوش مصنوعی و کارخانه تاریک و استخراج شکاف‌های پژوهشی پرداخته است. روش ‌‌‌کار: با به‌کارگیری کلیدواژه‌های تخصصی در پایگاه‌های علمی، بیش از ۲۳۰ پژوهش شناسایی شد که پس از حذف نتایج تکراری، ۱۸۰ مطالعه برای تحلیل نهایی انتخاب شدند. مقالات از نظر روش‌شناسی، صنایع هدف، کشور و مؤسسه مجری و مجلات منتشرکننده، بررسی و مقایسه شدند. یافته‌ها:روش‌های SHERPA، CREAM و Fuzzy Mathematics بیشترین کاربرد را در این مطالعات داشته‌اند. ایالات‌متحده، چین و کره‌ جنوبی به‌عنوان کشورهای پیشرو شناخته شدند. تحلیل روش‌ها نشان داد هیچ روش کیفی یا کمّی‌ای به‌تنهایی قادر نیست اهداف سه‌گانه HRA (شناسایی خطا، برآورد احتمال و طراحی کنترل‌ها) را محقق کند. لذا، اتخاذ رویکرد ترکیبی SHERPA–TESEO با شناسایی و کنترل خطاها با روش SHERPA و برآورد سریع و بدبینانه احتمال خطا با روش TESEO، به‌عنوان رویکردی کارآمد پیشنهاد شد. در نهایت، ده شکاف پژوهشی شناسایی و ارائه شد. نتیجه‌گیری: رویکرد ترکیبی SHERPA–TESEO راهکاری عملیاتی برای دستیابی به اهداف سه‌گانه HRA است. باوجوداین، در محیط‌های هوشمند و تولید بدون اپراتور، گذار از تحلیل‌های ایستا به مدل‌های پویا و داده‌محور ضروری است. این پژوهش بازنگری وظایف شناختی در SHERPA، بازتنظیم ضرایب اصلاحی در TESEO و ادغام با داده‌های بلادرنگ و تعامل انسان با هوش مصنوعی را پیشنهاد می‌کند؛ تغییری که می‌تواند پیش‌بینی لحظه‌ای ریسک خطا و مداخله به‌هنگام را تقویت کند.</div> <div class="rounded" style="background: rgb(238, 238, 238); border: 1px solid rgb(204, 204, 204); padding: 5px 10px; text-align: justify;">Objectives: As industrial systems become increasingly complex and technologically advanced, the human role in ensuring safety and efficiency remains indispensable. This study aimed to present a comprehensive review of Human Reliability Assessment research published between 2010 and 2023. It compares human reliability assessment (HRA) methodologies with emerging technologies, such as artificial intelligence and lights-out manufacturing, identifies existing research gaps, and analyzes the analytical techniques employed and the industrial sectors addressed. Methods: A systematic search of major scientific databases using domain-specific keywords yielded over 230 publications. After removing duplicate studies, 180 articles were selected for detailed analysis. Each article was evaluated based on methodology, industrial application, country, institutional affiliation, and publishing outlet. Results: The results indicated that the most frequently applied approaches in HRA research were the systematic human error reduction and prediction approach (SHERPA), cognitive reliability and error analysis method (CREAM), and fuzzy mathematics. The United States, China, and South Korea emerged as leading contributors to this field. The findings revealed that neither qualitative nor quantitative methods alone are sufficient to fulfill the three core objectives of HRA: error identification, probability estimation, and control design. Therefore, a hybrid approach was recommended by integrating SHERPA and Tecnica Empirica Stima Errori Operatori (TESEO). SHERPA provides comprehensive coverage of error identification and the design of effective control measures, while TESEO facilitates rapid, conservative probability estimation. These methods provided a practical and efficient framework for achieving HRA objectives within operational constraints. Additionally, ten key research gaps were identified. Conclusion: The SHERPA–TESEO hybrid framework presents a viable strategy for achieving the core goals of HRA. Nonetheless, a shift from static to dynamic and data-driven models is necessary in the context of intelligent environments and operator-free production. Recommended developments include revising SHERPA’s cognitive task classifications, recalibrating TESEO's adjustment factors, and integrating real-time data with human–artificial intelligence (AI) interaction. These advancements are expected to significantly enhance real-time prediction of human error risks and support timely intervention strategies.</div> خطای انسانی, رویکرد ترکیبی, قابلیت ‌اطمینان انسانی, کارخانه تاریک, هوش مصنوعی Artificial intelligence, Human error, Hybrid framework, Human reliability, Lights-out manufacturing 235 248 http://journal.iehfs.ir/browse.php?a_code=A-10-7521-1&slc_lang=fa&sid=1 Ali Reza Nikray علیرضا نیک‌رای alirezanickray14@gmail.com 100319475328460019333 100319475328460019333 No Department of Civil Engineering, Faculty of Engineering, Arak University, Arak, Iran گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه اراک، اراک، ایران Mohammad Reza Vesali Naseh محمدرضا وصالی ناصح m-vesalinaseh@araku.ac.ir 100319475328460019334 100319475328460019334 No Department of Civil Engineering, Faculty of Engineering, Arak University, Arak, Iran گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه اراک، اراک، ایران Abbas Mohammadi عباس محمدی mohammadi.a@qom.ac.ir 100319475328460019335 100319475328460019335 Yes Department of Chemical Engineering, Faculty of Engineering, University of Qom, Qom, Iran گروه مهندسی شیمی، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران