一种结合自然语言处理、本体论与机器学习的框架，用于石化行业职业安全信息学中的基于语言和知识的事故分析

《Scientific Reports》：A hybrid natural language processing-ontology and machine learning framework for linguistic and knowledge-driven accident analysis in petrochemical occupational safety informatics

　　

摘要

传统上，职业事故报告的分析仍依赖手工操作，耗时且受专家判断的限制。本研究采用混合自然语言处理与机器学习框架，通过分析某石化企业15年来527份波斯语表述的事故记录，解决了上述问题。在经过针对该领域的特定预处理步骤后——包括字符标准化、领域专属停用词去除以及形态学词干提取——再利用TF-IDF向量（200个特征，n-gram范围为1–2）并通过截断SVD算法（10个分量）进行降维处理。最终，通过结合领域知识的多标准序贯规则确定最优聚类数量：该规则考虑了领域最低要求（K≥4）、共识稳定性阈值（≥0.70）以及轮廓系数提升幅度（＞5%）。经比较，K均值聚类法（K=4）为最优选择（轮廓系数为0.267，戴维斯-鲍尔丁指数为2.007，卡林斯基-哈拉巴兹指数为74.3；自举法计算的平均ARI值为0.880，95%置信区间为[0.546, 0.981]，属于稳定状态）。借助这种融合文本特征与结构化特征的混合框架，我们从包含波斯语事故描述对应的TF-IDF向量以及非因果结构化描述信息（如事故类型、事故后果和误工天数）的特征矩阵中，识别出了四个语义上不同的事故类别：高处坠落事故群组（C1，共134起，占比26.0%，平均误工天数184.4天，相对参考值的IRR值为239.6，P值＜0.001）；下肢跌倒及身体碰撞事故群组（C0，共172起，占比33.4%，平均误工天数1.0天）；滑倒事故群组（C2，共99起，占比19.2%，平均误工天数1.1天）；以及地面湿滑/表面危险事故群组（C3，共110起，占比21.4%，平均误工天数0.8天）。通过官方事故原因标签进行的外部验证表明，这些事故群组与事故原因之间存在显著关联（克拉默V值为0.354，卡方值为78.5，样本量为209，P值＜0.001），而且聚类模型并未使用任何事故原因相关的标签信息。不同事故群组的严重程度存在显著差异（克鲁斯卡尔-沃利斯H值为62.003，自由度为3，P值约为2.19×10?13，ε2值为0.115）；但由于聚类特征中已包含事故后果和误工天数等信息，这类分析仅能用于描述各事故群组的特征，无法作为独立的验证手段。研究结果表明，无需预先标记的训练数据，通过将波斯语事故描述与非因果结构化事故描述相结合，即可发现有意义的职业事故类型。混合聚类结果与官方事故原因标签之间的关联，体现了所提出框架在基于证据的职业安全管理中的实用价值。事故描述对应的聚类模式与官方事故原因代码之间的差异，可能源于报告内容及编码方法的差异，而非真正的因果分类错误，因此有必要在后续前瞻性研究中进一步探究。