Unsupervised learning approach for benchmark models to identify construction projects with high accident risk levels
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The construction sector is highly prone to accidents, traditionally assessed using subjective qualitative measurements. To enhance the allocation of risk management resources and identify high-risk projects during pre-construction, an objective and quantitative approach is necessary. This study introduces a three-step clustering methodology to quantitatively evaluate accident risk levels in construction projects. Design/methodology/approach In the first step, accident and total construction revenue by project were collected to calculate accident probabilities. In the second step, accident probabilities were calculated by project type using the data collected in the first step. After that, benchmark models were suggested using clustering methods to identify high-risk project types for risk management. Before suggesting the benchmark models, an uncertainty analysis was conducted due to the limited amount of data. In the third step, the suggested benchmark models were validated for accuracy. Findings The results categorized risk levels for fatalities and injuries into four distinct groups. Validation through ordinal logistic regression demonstrated high explanatory power, with fatality risk levels ranging from 79.9 to 100% and injury risk levels from 90.3 to 100%. Originality/value This benchmark model facilitates effective comparisons and analyses across various construction sectors and countries, offering a robust quantitative standard for risk management. By identifying high-risk projects such as “Dam,” this methodology enables better resource allocation during the pre-construction phase, thereby improving overall safety management in the construction industry and providing a basis for legislative applications.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle