Zespół badawczy przedstawił G-SHARE, nowy framework do diagnozowania zdarzeń związanych z czynnikami ludzkimi w elektrowniach atomowych, który łączy strukturalne rozumowanie z wytycznymi branżowymi. System przekształca dziewięcioetapową wytyczną CNNP w automatyczny potok diagnostyczny ze trzema głównymi etapami: ekstrakcją dowodów z raportów, krokowym rozumowaniem diagnostycznym i naprawą logicznych niespójności w wnioskach.
Istniejące podejścia oparte na dużych modelach języka lub metodach data-driven wykazują istotne ograniczenia: brakuje im strukturalnego rozumowania, nie wyrównują się dobrze z formalnymi wytycznymi diagnostycznymi i mogą generować logicznie sprzeczne wnioski. G-SHARE rozwiązuje te problemy poprzez jawne wykorzystanie dowodów z raportów, generowanie uzasadnień pośrednich oraz walidację wyników diagnostycznych. Podejście umożliwia nie tylko udzielenie diagnozy, ale również wyjaśnienie poszczególnych kroków rozumowania.
Badacze konstruowali zbiór danych z rzeczywistych raportów zdarzeń pochodzących ze źródeł chińskiego przemysłu jądrowego, a podzbiór złotego standardu adnotowany przez ekspertów domeny służył do ewaluacji. Wyniki pokazały, że G-SHARE znacznie przewyższa podejścia one-shot prompting i tradycyjne modele uczenia maszynowego zarówno pod względem dokładności ogólnej jak i makro-F1. Badania ablacyjne wykazały, że strukturalne rozumowanie i egzekwowanie spójności logicznej są kluczowe dla niezawodnej diagnozy, szczególnie w warunkach słabych promptów.