Mit der kürzlichen Überarbeitung des Arbeitnehmer-Schutzgesetzes und der Durchsetzung des Gesetzes über die Bestrafung schwerer Unfälle sind die Sicherheitsvorschriften strenger geworden, was zu einem Mangel an Sicherheitsmanagement-Personal und erhöhten Dokumentationsanforderungen auf Baustellen führt. Dieses Problem ist insbesondere bei kleinen und mittleren Baustellen schwerwiegend, wo die Gewährleistung eines effektiven Sicherheitsmanagements herausfordernder ist. Als Reaktion darauf haben sich LLM-basierte Automatisierungstechnologien hervorgetan. Allerdings fehlt es allgemein verwendbaren LLMs häufig an dem domänenspezifischen Wissen, das für die praktische Anwendung in der Bauleitung erforderlich ist. Um dies zu beheben, entwickelt die Studie ein auf die Identifikation von gefährlichen und schädlichen Faktoren auf Baustellen spezialisiertes LLM, indem sie Retrieval-Augmented Generation (RAG) und Feinabstimmungsmethoden anwendet. Die experimentelle Validierung erfolgte unter Verwendung des GPT-Modells von OpenAI in drei Konfigurationen: nur Feinabstimmung, nur RAG und ein kombiniertes Ansatz aus Feinabstimmung + RAG. Die Leistung wurde durch quantitative Metriken (BLEU, ROUGE, BERT Score) und qualitative Bewertungen über Nutzerumfragen bewertet. Der kombinierte Ansatz zeigte die beste Leistung und übertraf in allen quantitativen Metriken kontinuierlich allgemein verwendbare LLMs und erhielt die höchste Bewertung in der Effizienz-Kategorie der qualitativen Bewertung. Diese Ergebnisse zeigen, dass ein domänenspezialisiertes LLM die Fähigkeiten zur Gefahrenerkennung erheblich verbessern kann, was effektivere Sicherheitsmanagementpraktiken im Bauwesen unterstützt. Diese Studie bietet sowohl akademische als auch praktische Beiträge, indem sie eine Methode zur Verbesserung der LLM-Leistung in spezialisierten Bereichen demonstriert und eine technische Grundlage für automatisierte Werkzeuge im Sicherheitsmanagement bei Bauprojekte bereitstellt.
Wang et al. (Sun,) untersuchten diese Frage.