Durch die fortschreitende Automatisierung in der Industrie sinkt die Zahl der Unfälle, jedoch steigt die Anteil der Unfälle, die auf den menschlichen Faktor zurückzuführen sind am Gesamtunfallgeschehen. Die Zuverlässigkeit des Menschen wird zur Schlüsselfrage in Mensch-Maschine-Systemen, insbesondere bei sicherheitsrelevanten Aufgaben und Operationen.

Es wurden verschiedene Methoden der menschlichen Zuverlässigkeitsanalyse (Human Reliability Analysis, HRA) entwickelt, die systematisch zur Analyse, Vorhersage und Vorbeugung von menschlichen Fehlern eingesetzt werden können.
Es lassen sich drei grundlegende Lücken in den bestehenden HRA-Methoden feststellen: i) das Fehlen von Möglichkeiten zur Erhebung relevanter Daten in der Human-in-Loop-Branche, ii) die fehlende Berücksichtigung der dynamischen menschlichen Zuverlässigkeit im situierten Kontext und iii) die starke Abhängigkeit von Expertenwissen im Bewertungsprozess. Die Zuverlässigkeit des menschlichen Fahrers im dynamischen Kontext steht im Mittelpunkt dieser Arbeit, daher werden ohne Einfluss auf die Verallgemeinerbarkeit menschliche Fahrer in sich dynamisch verändernden Situationen aufgrund der leichten Verständlichkeit als Beispiel verwendet. Mit der Entwicklung der Überwachung des menschlichen Fahrerverhaltens im dynamischen Fahrkontext werden Fahrverhaltensdaten generiert, die für die HRA genutzt werden können. 

In dieser Arbeit wird der modifizierte CREAM-Ansatz (Cognitive Reliability and Error Analysis Method) zur Bewertung der menschlichen Fahrleistung angewendet. Um die Abhängigkeit von Expertenwissen zu verringern, werden die Leistungsstufen im modifizierten CREAM-Ansatz durch automatisches Clustering der Daten bestimmt. Drei Daten-Clustering-Ansätze, darunter FN-DBSCAN (Fuzzy neighborhood density-based spatial clustering of application with noise), CLUSTERDB* und GMFPE (genetic-based membership function parameter estimation), werden auf Fahrdaten angewandt, um die Parameter der Zugehörigkeitsfunktionen zu definieren, die den Leistungsstufen im modifizierten CREAM-Ansatz entsprechen. Als Ergebnis wird ein neuer Ansatz entwickelt, der die dynamischen Aspekte der menschlichen Zuverlässigkeit berücksichtigt. Das Konzept und der Entwurf einer neuen Bewertung als Human Performance Reliability Score (HPRS) als Funktion der Zeit wird für die quantitative und dynamische Bewertung der individuellen menschlichen Leistung vorgeschlagen. Die HPRS-Ergebnisse mit verschiedenen Clustering-Ansätzen werden für denselben Zeitraum verglichen. 

Um die kritischen Verhaltensweisen beim situierten Fahren zu erkennen und zu bewerten, muss eine Quantifizierung der menschlichen Verhaltensebenen vorgeschlagen werden. Dies ist vor allem daher wichtig, da die Fahrzeugautomatisierung im Fall der Übernahme der Fahrzeugführung sowohl auf untrainierte Personen trifft wie auch die Personen dann unter Zeitdruck handeln müssen. Das SRK-Modell (Skill-Rule-Knowledge) von Rasmussen ist im Bereich der menschlichen Faktoren sehr bekannt. Ebenso ist bekannt, dass auf Fähigkeiten basierende Verhaltensweisen die höchste menschliche Zuverlässigkeit aufweisen, während wissensbasierte Verhaltensweisen mit den niedrigsten Zuverlässigkeitswerten verbunden sind. Zwar gibt es zahlreiche Studien zur menschlichen Fehlerwahrscheinlichkeit (HEP), die in der Regel direkt oder indirekt auf diese drei Verhaltensebenen zurückgeführt werden, aber eine kohärente, konsistente Darstellung, insbesondere unter Verwendung von Datenquellen, ist bisher nicht verfügbar. In dieser Arbeit wird die Quantifizierung menschlicher Verhaltensebenen mit dem SRK-Modell von Rasmussen anhand von drei Datenbanken vorgenommen. Die Auswirkungen von Zeitdruck und Training auf die menschliche Zuverlässigkeitsvermittlung werden ebenfalls auf der Grundlage einschlägiger Veröffentlichungen analysiert.  

Zur Bestimmung des HEP dieser drei Ebenen werden drei Datenbanken, die Technik zur Vorhersage der menschlichen Fehlerrate (THERP), die Savannah River Site Human Reliability Analysis (SRS-HRA) und die Nuclear Action Reliability Assessment (NARA), aus den Methoden der Human Reliability Analysis (HRA) verwendet. Das Verfahren umfasst die Identifizierung der Aufgaben einschließlich des beteiligten Bedieners und der von den Analysten getroffenen Annahmen sowie die Einordnung der Aufgaben in den geeigneten kognitiven Verhaltensmodus (CBM). In diesem Fall wird die Beziehung zwischen SRK-Niveau und menschlicher Fehlerwahrscheinlichkeit (HEP) abgebildet. Die Auswirkungen der beiden im Automatisierungskontext sehr relevanten Performance Shaping Factors (PSFs), Zeitdruck und Trainings-/Wissensabbau, auf das menschliche Verhalten beim Schalten werden analysiert und die Erklärungen für das SRK-Schalten vorgestellt. In diesem Fall wird eine allgemeinere Struktur erstellt, um das dynamische Verhalten von Ebenen zu veranschaulichen, die unter verschiedenen Bedingungen in sechs Richtungen schalten. Aus den Ergebnissen schließen wir, dass die Ebenen der Fähigkeiten, Regeln und des Wissensverhaltens in Bezug auf HEP kontinuierlich sind und daher einen neuen Einblick in diesen Schlüsselaspekt der Quantifizierung menschlicher Faktoren ermöglichen. Basierend auf dieser Analyse werden die Folgen der Alltagsautomatisierung im Kontext autonomer Verkehrssysteme in Kombination mit menschlicher Qualifikation und Zuverlässigkeitsverschlechterung aus dieser spezifischen und in der aktuellen Automatisierungsdiskussion sehr intensiv diskutiert.  

 Der vorgeschlagene Ansatz wird es ermöglichen, künftige Automatisierungssysteme mit Warnung, Unterstützung oder Umschaltung auf vollautomatische Steuerung zu etablieren, um menschliche Fehler zu vermeiden. Die vorgestellte Diskussion über die Verknüpfung von SRK-Ebenen und HEP bietet eine neue Perspektive auf die absehbaren Folgen einer weiteren Automatisierung in Anwendungsbereichen mit zunehmender Automatisierung alltäglicher Aufgaben (z. B. bei der Nutzung eines hochautomatisierten Fahrzeugs).