SCOPE: 항공 교통 관제 음성 지시 내용 확인 모니터링을 위한 경량 학습 LLM 프레임워크

SCOPE: A Lightweight-training LLM Framework for Air Traffic Control Readback Monitoring

항공 운송에서의 오해를 방지하는 주요 장치로서, 조종사의 항공 교통 관제(ATC) 음성 지시 내용 확인은 매우 중요합니다. 그러나 확인 과정의 오류는 약 80%의 항공 사고에 연관되어 있습니다. 증가하는 교통량과 높아지는 인지 부하로 인해 이러한 취약성은 더욱 심화되고 있으며, 이는 기계 기반의 자동화된 확인 모니터링의 필요성을 야기합니다. 기존의 규칙 기반 및 머신 러닝 접근 방식은 항공 교통 관제사와 조종사 간의 매우 다양하고 변화하는 어휘에 대한 일반화에 어려움을 겪습니다. 대규모 언어 모델(LLM)은 강력한 추론 및 일반화 능력을 통해 새로운 가능성을 열었지만, 기존 방법은 여전히 실제 적용 및 계산 측면에서 장벽에 직면하고 있습니다. 본 연구에서는 '의미 기반 통신을 위한 개방형 플러그인 예제 활용 프레임워크(SCOPE)'라는 새로운 경량 학습 LLM 프레임워크를 제안합니다. SCOPE는 기계 기반 ATC 지시 내용 확인 모니터링의 효율성과 정확성을 향상시키는 것을 목표로 합니다. 핵심 아이디어는 동결된 LLM 위에 설계된 '인 컨텍스트' 학습 메커니즘과 함께 플러그인 개방형 분류기를 결합하는 것입니다. 반(semi)-합성 통신 데이터 세트에 대한 광범위한 실험 결과, SCOPE는 우수한 정확도를 달성했으며 운영 환경에 필요한 낮은 지연 시간을 제공했습니다. 'Few-shot' 설정에서 SCOPE는 91.05%의 높은 정확도로 개방형 오류를 탐지하고 96.63%의 이상 확인 내용을 수정하여 기존 최고 성능 모델을 능가하며, 의사 결정에 대한 설명을 제공합니다. 이러한 결과는 본 프레임워크가 해석 가능하고 제어 가능한 ATC 지시 내용 확인 모니터링으로 이어질 수 있는 실용적인 방법임을 보여줍니다.

Pilot readback of Air Traffic Control (ATC) voice instructions is a primary safeguard against miscommunication in air transportation. However, readback anomalies remain implicated in approximately 80% of aviation incidents. This vulnerability is further exacerbated by rising traffic volume and elevated cognitive workload, thereby motivating automated readback monitoring by machine. Traditional rule-based and machine learning approaches struggle to generalize across the highly variable and evolving phraseology of air traffic controller-pilot communications. While Large Language Models (LLMs) have opened a new avenue through their strong reasoning and generalization capabilities, existing approaches still face deployment and computational barriers in practice. In this work, we propose Semantic reasoning for Communication via Open-set Plug-in with Examples (SCOPE), a novel lightweight-training LLM framework that advances both the efficiency and accuracy of machine-based ATC readback monitoring. The core idea is to couple a plug-in open-set classifier with a carefully designed in-context learning mechanism on top of a frozen LLM. Extensive experiments on the semi-synthetic communication dataset show that SCOPE attains superior accuracy while delivering the low-latency response required for operational environments. Under a few-shot setting, SCOPE achieves 91.05% accuracy in open-set detection and corrects 96.63% of anomalous readbacks, thereby outperforming the strongest available baselines while providing explanations for its decisions. These findings demonstrate the potential of our framework as a practical pathway toward interpretable and controllable ATC readback monitoring.