多模态机器学习用于施工事故严重程度预测：一种可解释的集成框架

《Array》：Multimodal Machine Learning for Construction Accident Severity Prediction: An Interpretable Ensemble Framework

　　

•可解释的多模态框架（Multimodal Framework）能够预测施工伤害严重程度。
•随机森林（Random Forest，RF）实现了稳健的严重程度预测性能。
•SHAP（SHapley Additive exPlanations）解释了驱动住院风险预测的关键因素。
•贝叶斯优化（Bayesian Optimization）提升了集成模型的泛化能力。
•该框架支持透明且数据驱动的施工安全决策。

施工行业作业环境复杂多变，事故风险显著高于其他行业。根据国际劳工组织（ILO）的统计，发达国家建筑业工人发生致命事故的概率是其他行业的3至4倍，发展中国家则高达3至6倍；建筑业虽仅占全球劳动力的7%，却每年导致约10万人死亡，占全球职业死亡总数的35%。这些事故不仅造成人员伤亡和长期残疾，还引发工期延误与预算超支，因此准确预测事故严重程度对于提升施工安全至关重要。现有研究存在三类局限：一是仅依赖结构化数据（如事件类型、伤害来源、受伤部位）的模型无法表征叙事文本中的事件序列与不安全行为；二是仅使用文本的深度学习方法虽能提取语义信息，但多作为“黑箱”且分类粒度较粗（如致命与非致命）；三是其他安全领域（如钢铁、海事、航空、采矿、铁路）的多模态框架因施工场地高度动态、分散且报告质量参差不齐而难以直接迁移。此外，情感特征在施工安全研究中缺乏理论支撑，模型可解释性不足限制了实际采用。为此，研究人员提出了一种面向施工行业、可解释的多模态机器学习框架，系统整合美国职业安全与健康管理局（OSHA）事故报告中的结构化属性与富语义叙事特征，以预测住院结局。该框架采用随机森林（Random Forest，RF）、梯度提升机（Gradient Boosting Machine，GBM）和XGBoost三种集成学习算法，其中RF表现最佳，支持透明且数据驱动的施工安全决策。该研究成果发表于《Array》期刊。

技术方法方面，数据来源于美国职业安全与健康管理局（OSHA）严重伤害报告项目（2015年1月至2024年11月），初始包含96,000余份报告，经筛选得到17,270起施工相关事故，数据清洗后保留12,089条完整记录（其中住院10,812例，非住院1,277例）。文本经自然语言处理（NLP）预处理后使用三词TF-IDF向量化，并利用截断奇异值分解（SVD）降维至100维；采用VADER计算叙事情感复合分数；开发八类事故分类法（Falls、Struck-By、Caught-In等）实现叙事标准化；采用SMOTETomek重采样平衡训练集类别；通过贝叶斯优化自动调整超参数，以分层10折交叉验证评估模型，并使用SHAP