融合结构化风险数据与自然语言处理的混合机器学习框架在工业危害分类中的应用与验证

《Scientific Reports》：A hybrid machine learning framework integrating persian NLP for occupational risk classification in steel manufacturing

　　

摘要

人为失误仍然是高风险行业中职业事故的主要致因，然而传统风险评估方法往往忽视了非结构化文本数据中蕴含的宝贵信息。本研究开发并验证了一种混合机器学习框架，将结构化风险数据与自然语言处理（NLP）相结合，以提高工业环境中的危害分类准确性。数据收集自一家钢铁制造厂16个作业单元中258项工作活动，历时五个月，共获得3,110个已验证的风险场景。危害识别采用工作安全分析（JSA）方法，定量风险评估则采用威廉·法恩（William Fine）方法。数据集包含结构化变量（严重程度、暴露程度、发生概率）以及非结构化波斯语文本（危害描述、位置、活动）。文本预处理包括分词、停用词移除、词干提取和词形还原。所有模型均使用TF-IDF向量化提取特征。随机过采样（ROS）用于解决类别不平衡问题。本研究评估了四种传统机器学习算法：逻辑回归（LR）、随机森林（RF）、K近邻（KNN）和支持向量机（SVM）。在不平衡数据上，SVM取得了最高的准确率（93%），低风险、中风险和高风险类别的F1分数分别为0.96、0.83和0.92。经过ROS平衡处理后，大多数模型的性能均有实际改善，尤其是少数风险类别；然而，差异未达到常规统计显著性水平（p = 0.189），这可能是由于比较样本量较小（n = 3个模型）所致。SVM达到了近乎完美的分类效果，而KNN的表现仍然最弱。该混合框架通过利用结构化和非结构化文本信息，显著优于传统风险评估方法。低风险场景的普遍存在（66.1%）表明现有安全控制措施有效，而中风险和高风险案例分类准确性的提升则有助于实施针对性干预措施。该方法为高风险工业部门建立实时AI驱动的安全监控系统奠定了基础。