Natural Language Processing in the Nuclear Industry: Opportunities and Challenges
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Natural language processing (NLP) has significant potential within the nuclear industry, yet no prior surveys have focused exclusively on its applications in this sector. Addressing this gap, this review explores recent studies leveraging NLP to enhance key areas, such as equipment reliability, maintenance, compliance, safety, verification, control systems, human-system interfaces, knowledge extraction, and decision-making support in nuclear power plants (NPPs). Our analysis reveals that NLP techniques have successfully automated maintenance recommendations, extracted structured insights from work orders, improved compliance verification, and optimized human-system interactions in NPPs. These advancements have contributed to operational efficiency, cost reduction, and enhanced safety.This paper also examines the unique challenges of implementing NLP in nuclear settings, including regulatory constraints, data quality issues, domain-specific language complexities, and the integration of large language models (LLMs). To address these challenges, studies have proposed techniques, such as domain-specific dictionaries for handling nuclear terminology, hybrid models combining rule-based and machine learning approaches, and retrieval-augmented generation to improve interpretability and accuracy.Future directions are proposed, highlighting the importance of real-world testing, model refinement, and the broader adoption of LLMs to improve operational efficiency and safety in NPPs. As the nuclear industry moves toward increased automation, NLP will play a crucial role in bridging the gap between unstructured textual data and actionable intelligence, driving further innovations in safety and decision making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle