基于机器学习代理模型的REBA、RULA与OWAS人机工程学风险评估方法比较与权重敏感性分析

《Applied Sciences》：An Investigative Study of Widely Used Ergonomic Risk Assessment Methods Based on Machine Learning and MCDM Approaches

　　REBA、RULA 和 OWAS 是基于预定义的有序评分规则被广泛使用的观察性人机工程学风险评估方法。这些方法生成的最终风险评分在确定和优先安排人机工程学干预措施以减轻肌肉骨骼风险及相关损失方面起着关键作用。由于相应评分是其组成输入的确定性函数，本研究侧重于将机器学习（ML）模型作为代理分析工具，而非精确评分程序的替代品。在基于全因子规则空间数据集上，采用 5×3 嵌套交叉验证、95% 置信区间以及带有 Nemenyi 事后比较的 Friedman 检验，对有序逻辑回归（AT、IT、SE）、随机森林（RF）、有序 XGBoost 和有序 LightGBM 进行了评估。此外，将局部转换保真度和受控的相邻类别及高斯扰动与精确评分规则进行了对比分析，并使用随机森林 SHAP 分析来刻画拟合的代理模型结构。随机森林在 REBA（MAE = 0.287，QWK = 0.982）、RULA（MAE = 0.011，QWK = 0.991）和 OWAS（MAE = 0.244，QWK = 0.929）的干净规则空间上提供了最高的整体保真度。然而，在受控输入扰动条件下，精确评分程序通常比干净训练的随机森林代理模型保持更低的误差，这表明研究结果不支持用机器学习模型替代原始规则。权重敏感性分析进一步表明，基于 SRP 的方法排序取决于标准权重：在 100,000 个采样权重向量中，RULA 在 52.23% 的情况下排名第一，其次为 OWAS（37.43%）和 REBA（10.35%）。总体而言，该框架提供了一种可重复的方式来检验代理保真度、局部规则空间转换、模型解释性以及人机工程学方法选择的权重敏感性。