Mise en œuvre d’une méthode de Data Mining pour appréhender le comportement d’un sujet en état de tunnélisation attentionnelle

Dans l’aéronautique, on considère que 80% des accidents sont dus à une erreur humaine dans l’aviation civil et militaire (O'Hare, Wiggins, Batt, & Morrison, 1994) (Wiegmann & Shappell, 2003). Ces statistiques ont donc amené nombre de scientifiques à s’intéresser au sujet des facteurs humains. L’idée est d’améliorer la sécurité aérienne en comprenant mieux le comportement humain. On s’aperçoit en effet que certains accidents rejoués en simulateur par d’autres pilotes expérimentés conduisent parfois au même crash (Wanner & Wanner, 1999). C’est parfois l’environnement qui conduit à l’erreur humaine. Ainsi il est intéressant de rechercher des moyens d’aider l’opérateur dans sa tâche. Ce n’est pas chose si aisée. Van Eslande et al (Van Eslande, Erreur de conduite et besoin d’aide : une approche accidentologique, 2001) (Van Eslande, Alberton, Nachtergaële, & Blancher, 1997) postulent que le comportement des automobilistes est essentiellement conditionné par les infrastructures routières. Il a été remarqué que les conflits étaient un précurseur remarquable d’erreurs humaines conduisant à l’accident. Des confits entre l’humain et la machine, ou entre l’opérateur et la tour de contrôle, ou encore entre le pilote et le co-pilote. L’étude des conflits s’avère alors un thème pertinent pour les facteurs humains. C’est dans ce domaine que nous travaillons au CAS au sein de l’ISAE. Le rapport sera constitué de trois grandes sections. Dans un premier temps nous présenterons l’environnement de travail à l’ISAE. Puis dans les parties suivantes nous définirons de manière plus précise ce qu’est la « tunnélisation attentionnelle » et décrirons plus en profondeur l’expérience du robot qui est notre base de travail. Enfin nous présenterons les résultats en termes de diagnostic de l’état d’un opérateur