Human Factors Challenges in Small Modular Reactor Control Rooms: A Systematic Literature Review
Notice bibliographique
Résumé
Small Modular Reactors (SMRs) introduce novel operational paradigms that pose unique human factor challenges for control room operators. This systematic review investigates what human factor challenges are faced by SMR control room operators, and how these challenges impact operational safety and decision-making effectiveness, following a Population-Exposure-Outcome (PEO) framework (Population: SMR control room operators; Exposure: human factor challenges such as cognitive workload, interface design, ergonomics; Outcome: operational safety and decision-making effectiveness). A comprehensive literature search (2013-2025) was conducted in scholarly databases including Scopus, Web of Science, IEEE Xplore, and ScienceDirect, yielding peer-reviewed studies on SMR control room human factors. Following PRISMA guidelines, studies were screened and appraised (using CASP checklists) and synthesized according to the SALSA (Search, Appraisal, Synthesis, Analysis) framework. Results: key challenge themes identified include cognitive workload and multi-unit operations, automation and operator situational awareness, human-system interface (HSI) design and ergonomics, and staffing, training and team organization. Shift control rooms often envisage one team overseeing multiple reactor modules, leading to higher cognitive workload and multitasking demands that can degrade situational awareness and decision quality [1]-[3]. Advanced automation and digital control systems are intended to mitigate human error, but if not carefully implemented they may reduce operator engagement and awareness, risking delayed responses in critical situations [4], [5]. Inadequate interface design or ergonomics can further exacerbate information overload or contribute to operator error, directly impacting safety. Conversely, studies suggest that optimized staffing (e.g., maintaining at least one operator per reactor during emergencies) and improved training, interface design, and real-time operator support systems can enhance decision-making effectiveness and maintain safety margins [6], [7]. Conclusion: Human factor challenges in SMR control rooms-especially those related to cognitive workload, automation, and interface usability-are critical determinants of safe operations and effective operator decision-making. Proactive human factors engineering, rigorous training, and evidence-based design of control room systems are essential to address these challenges. This review provides a consolidated understanding of current research, highlights gaps (such as limited empirical data from actual SMR operations), and offers best-practice recommendations to ensure that next-generation SMR control rooms support their operators and uphold nuclear safety.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,020 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».