Predicting Construction Workers’ Intentions to Engage in Unsafe Behaviours Using Machine Learning Algorithms and Taxonomy of Personality
Notice bibliographique
Résumé
Dynamic environmental circumstances can sometimes be incompatible with proactive human intentions of being safe, leading individuals to take unintended risks. Behaviour predictions, as performed in previous studies, are found to involve environmental circumstances as predictors, which might thereby result in biased safety conclusions about individuals’ inner intentions to engage in unsafe behaviours. This research calls attention to relatively less-understood worker intentions and provides a machine learning (ML) approach to help understand workers’ intentions to engage in unsafe behaviours based on the workers’ inner drives, i.e., personality. Personality is consistent across circumstances and allows insight into one’s intentions. To mathematically develop the approach, data on personality and behavioural intentions was collected from 268 workers. Five ML architectures—backpropagation neural network (BP-NN), decision tree, support vector machine, k-nearest neighbours, and multivariate linear regression—were used to capture the predictive relationship. The results showed that BP-NN outperformed other algorithms, yielding minimal prediction loss, and was determined to be the best approach. The approach can generate quantifiable predictions to understand the extent of workers’ inner intentions to engage in unsafe behaviours. Such knowledge is useful for understanding undesirable aspects in different workers in order to recommend suitable preventive strategies for workers with different needs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».