《Ocean Engineering》：Risk propagation analysis and mitigation strategy for Arctic maritime accidents: An integrated approach of LLM-based event logic graph and Bayesian inference
编辑推荐：
•大语言模型（LLM）提取可从不结构化报告中重构事故因果叙事。•小样本研究结果与长期积累的专家知识和监管知识相一致。•该框架可提高问答准确性，并支持垂直领域海事大语言模型微调。引言在过去十年间，北极地区的船舶活动大幅扩张，进入北极水域的唯一船舶数量增长了37%，总航行里程从6
- •
大语言模型（LLM）提取可从不结构化报告中重构事故因果叙事。
- •
小样本研究结果与长期积累的专家知识和监管知识相一致。
- •
该框架可提高问答准确性，并支持垂直领域海事大语言模型微调。
引言
在过去十年间，北极地区的船舶活动大幅扩张，进入北极水域的唯一船舶数量增长了37%，总航行里程从610万海里增至1290万海里，增长幅度超过一倍（2013年至2023年间）（《北极海洋环境保护》，2024；Sander和Mikkelsen，2025）。随着这一增长趋势的持续，极地水域的航行安全引起了越来越多的关注。北极航线虽然可以缩短运输距离、扩大可航行区域，但也使船舶面临低温、海冰、能见度受限、水文不确定性、危险天气以及有限的应急响应能力等挑战（Afenyo等，2017；Cao等，2022；Hu等，2025；Müller等，2023；Zhang等，2025）。这些条件表明，北极水域的海事事故通常由环境条件、船舶状态和人为操作之间的相互作用所塑造（Fu等，2023；Zhang等，2025）。北极事故可能涉及强环境耦合、复杂的级联事故过程以及受限的应急响应条件，这些因素可能放大其安全与环境后果（Fedi等，2024；Fu等，2022；Yao等，2024；Yu等，2024）。
研究人员已开发出多种海事事故分析方法，包括案例分析、统计分析、仿真建模、风险指标体系、概率推理以及数据驱动的网络分析（Animah，2024；Cao等，2025；Cao等，2023；Goerlandt和Montewka，2015）。这些研究使用了各种数据源，包括事故数据库、AIS轨迹、专家知识和官方事故调查报告（Cao等，2025；Dominguez-Péry等，2023；Ma等，2024）。官方事故调查报告尤为宝贵，因为它们以案例为单位记录了事故过程及其促成因素（Dominguez-Péry等，2023；Fedi等，2024；Gan等，2023）。然而，此类报告在计算风险分析中的直接使用仍存在困难。报告中包含事故过程、促成因素、事件演变和后果等详细信息，但大多数这些信息都嵌入在非结构化叙事文本中（Gan等，2023；Huang等，2026；Yan等，2023）。此外，许多现有方法依赖于预定义变量、人工编码或专家判断，这使得难以保留细粒度的因果信息，也难以构建在不同事故案例之间具有可比性的建模结构，尤其是在小样本条件下。
知识图谱（KG）和贝叶斯网络（BN）已成为海事事故研究中的两种重要方法。知识图谱可以将事故因素、事件和后果组织为结构化语义网络，对知识表示、因果链识别和事故知识检索非常有用（Gan等，2023；Huang等，2026；Liu和Cheng，2024；Pan等，2024）。然而，近期的海事事故知识图谱研究主要关注知识提取、图谱构建、拓扑分析、知识检索或质量评估，并未直接支持概率更新（Gan等，2023；Huang等，2026；Liu和Cheng，2024）。相比之下，贝叶斯网络可以表示风险因素之间的条件依赖关系，在新证据下更新事故概率，并通过前向推理、后向诊断和敏感性分析识别关键的上游贡献因素（Afenyo等，2017；Animah，2024；Baksh等，2018；Fu等，2023；Li等，2024；Xu和Kim，2025）。然而，在数据稀疏且报告语言异质的条件下，贝叶斯网络的结构和条件概率表仍可能依赖于专家判断、事故成因理论、文献综述或结构化数据库（Li等，2025；Li等，2024；Ma等，2024；Zhang等，2025）。
尽管知识图谱和贝叶斯网络各有所长，但从官方事故调查报告到知识图谱衍生贝叶斯网络模型的这一路径仍有待深入探索。一个关键障碍在于，现有的海事事故知识图谱并非以概率因果推理为目标进行设计：其模式架构按事件类型和语义链接来组织报告内容，而非定义贝叶斯网络建模所需的状态特定风险因素和条件依赖关系，这种模式层面的不匹配限制了从知识图谱到贝叶斯网络的直接转换。一项关于氢气事故的知识图谱-贝叶斯网络研究指出，当事故知识围绕因果片段、风险因素、图拓扑和概率参数进行组织时，这一路径才变得可行（Gan等，2023；Huang等，2026；Liu和Cheng，2024；Luan等，2024）。近期基于大语言模型的信息提取技术的进步使处理非结构化事故报告日益成为可能，海事安全研究也已开始将大语言模型应用于从官方调查文本中抽取实体和关系（Dagdelen等，2024；Huang等，2026；Pan等，2024）。然而，报告之间的术语差异和表述异质性可能导致语义等价的事故因素仍以独立的知识图谱节点形式存在；如果将这些原始图谱直接映射到贝叶斯网络中，可能导致变量重复、条件依赖不稳定和可解释性下降，因此实体合并成为知识图谱到贝叶斯网络映射前必不可少的一步。
本文提出了一种用于北极海事事故风险分析的ELG-BN方法。在本研究中，事件语言图谱（ELG）的构建遵循知识图谱构建的一般流程，包括模式设计、实体提取、关系提取、实体合并和人工审核。所得ELG捕捉了以事件为中心的因果链，连接了贡献因素、事故事件、伤亡事件和后果，为后续的贝叶斯网络映射提供了结构化基础。首先，利用官方北极海事事故调查报告，借助基于大语言模型的提取和实体合并来构建事故ELG。其次，将ELG中表示的因果结构映射为贝叶斯网络，并从报告级别的事故样本数据中学习其参数。最后，选择表现更优的模型进行前向推理和后向诊断，并通过外部案例验证进一步检验其有效性。最终的ELG-BN模型用于识别关键事故风险因素，并为北极航行安全管理决策提供支持。
各节摘要
研究途径
本研究开发了一种用于北极海事事故风险分析的ELG-BN框架。如图1所示，该框架包含四个阶段：事故报告收集与预处理、基于大语言模型的ELG构建、基于ELG的贝叶斯网络构建，以及含模型验证与控制建议的风险分析。
在第一阶段，收集官方事故调查报告和补充事故摘要，并将其转化为案例级文本单元。在第二
数据收集与预处理
数据来源于北极水域海事事故的官方调查报告，并辅以事故摘要进行补充。仅纳入发生在定义的北极水域内的事故（国际海事组织，2014b）。数据来源机构和平台包括加拿大运输安全委员会（TSB）、丹麦海事事故调查委员会（DMAIB）、挪威安全调查局（NSIA）、法国海上事故调查
后向诊断
（1）利用贝叶斯网络中的先验概率和条件概率，我们估算了北极海事事故的基础风险。机动状态下搁浅的概率最高（40.34%），其次是船舶进水（31.47%）和船舶沉没（24.81%）。在后果节点中，船舶物理损坏的概率最高（52%），其次是船舶不宜继续航行（30%）和人员死亡（30%）。主要的伤亡事件和后果概率见图6。
（2）我们采用因果效应
讨论
（1）本研究采用模式约束的大语言模型流水线，将非结构化的北极事故报告转化为贡献因素–事故事件–伤亡事件–后果（CF–AE–CE–Q）因果结构。与通用海事事故知识图谱相比，该模式将风险分析变量组织为CF–AE–CE–Q因果链，并支持后续的贝叶斯网络映射和概率推理。实体合并至关重要，因为相似的因果因素在不同报告中往往表述不同；若不进行归一化，等价的因果因素将仍以不同形式存在
结论
本研究提出了一种用于北极海事事故风险分析的ELG-BN框架。利用官方事故调查报告和事故摘要构建了一个大语言模型辅助的事故ELG，并将其映射为贝叶斯网络以进行概率推理。实体合并减少了语义冗余，提高了因果链的覆盖率，为后续的贝叶斯网络构建提供了更清晰的拓扑结构。结果表明，机动状态下搁浅和船舶进水是
CRediT作者贡献声明
王璐：撰写——初稿，可视化，验证，软件，方法论，调查研究，正式分析，数据整理。张磊：撰写——审阅与编辑，监督，项目管理，获取资金，概念化。李峰：资源，项目管理。吴敏：撰写——审阅与编辑，验证。吴军：资源，项目管理。
利益冲突声明
作者声明不存在可能影响本文所报道工作的已知竞争性经济利益或个人关系。
致谢
本研究得到国家自然科学基金资助（项目编号：72374088）、国家社会科学基金资助（项目编号：22BGL235），以及江苏省社会科学基金资助（项目编号：24GLB006、22GLB036）。
王璐|张磊|李峰|吴敏|吴军
