Classificação automatizada baseada em aprendizado de máquina de relatórios de segurança reportados por trabalhadores na construção

A atenção acadêmica limitada foi dada à aplicabilidade das abordagens de Aprendizado de Máquina (ML) para analisar relatórios de segurança de quase-acidentes reportados por trabalhadores, em oposição a relatórios de lesões, em locais de construção. Embora a análise eficiente em termos de recursos através de ML de grandes volumes de dados desse tipo em locais de construção possa ajudar a guiar os profissionais na tomada de decisões para prevenir lesões. O estudo atual aborda essa lacuna de pesquisa avaliando a relevância das abordagens de ML através de métodos quantitativos e qualitativos para escalar programas eficientes de relatórios de quase-acidentes em locais de construção. O estudo utiliza uma estratégia de experimentação extensa que consiste no processamento de dados de entrada, modelagem de n-gramas e análise de sensibilidade. Primeiramente, testa a proposição de que, apesar dos desafios de qualidade dos dados, a alta performance de diferentes algoritmos de ML pode ser alcançada na classificação automática das observações textuais de quase-acidentes. O estudo se baseia em dados de quase-acidentes reportados por trabalhadores coletados de um local de construção real no Kuwait. O desempenho da classificação de várias abordagens de ML é avaliado usando scores F1 para três rótulos de categoria academicamente novos, mas comumente utilizados nos locais - "Ato Inseguro (UA)," "Condição Insegura (UC)," e "Boa Observação (GO)." Além disso, a contribuição dos profissionais foi utilizada para avaliar a aplicabilidade prática dos classificadores de ML para locais de construção. Os classificadores tradicionais de Regressão Logística (LR) apresentam um score F1 comparativamente alto de 0,79. No entanto, os classificadores de ML enfrentaram desafios em distinguir entre UA e UC. Além disso, a análise revela que classificadores de ML ótimos podem perder aceitação entre os decisores humanos. No geral, apesar da performance promissora das ferramentas de ML para os dados de quase-acidente, os locais com baixa maturidade dos sistemas de relatórios podem se encontrar incapazes de alavancar o ML para escalar seus sistemas de relatórios. Uma estratégia de experimentação simplificada como o estudo atual poderia ajudar os profissionais a identificar as abordagens de ML ótimas específicas dos dados em aplicações futuras.