Leading Safety Indicators: Application of Machine Learning for Safety Performance Measurement
Notice bibliographique
Résumé
Leading Safety Indicators: Application of Machine Learning for Safety Performance Measurement Parinaz Jafari, Emad Mohamed, Estacio Pereira, Shih-Chung Kang and Simaan Abourizk Pages 501-506 (2019 Proceedings of the 36th ISARC, Banff, Canada, ISBN 978-952-69524-0-6, ISSN 2413-5844) Abstract: Proactive approaches designed to prevent incidents before they occur are essential for achieving effective safety management. Emerging as an important component of proactive safety management, leading indicators are used to assess and control safety performance. With the aim of reducing the number or severity of worksite accidents, methods capable of predicting future safety performance using leading safety indicators have been developed. However, these methods have been developed for a specific set of leading indicators. This has substantially limited their application in practice, as leading indicators with the greatest impact on safety performance vary considerably between organizations and projects. An approach for predicting accident occurrence on construction sites that can be applied to any combination of leading indicators is proposed to address these limitations. Data used to develop the proposed approach were collected by a construction company from eight construction projects over a period of two years. Feature selection techniques were used to filter the original factors into the most critical subset, which were then used as inputs. Various supervised learning algorithms, namely support vector machine (SVM), logistic regression, and random forest, were then tested to determine which algorithm(s) yielded the highest prediction accuracy. The results demonstrate that the proposed procedure can be used for early recognition of potentially hazardous project characteristics and site conditions regardless of the number or type of leading indicators available within an organization. Research in this area is expected to facilitate the implementation of targeted safety management controls and to improve safety performance. Keywords: Safety Leading Indicators; Safety Management; Safety Performance; Machine Learning DOI: https://doi.org/10.22260/ISARC2019/0067 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».