A review of machine learning for analysing accident reports in the construction industry
Notice bibliographique
Résumé
Recently, there has been a growth in the research interest on applied machine learning (ML) in safety analysis in the construction industry. The increased interest is part of a search for improved prevention of occupational accidents with a focus on text analysis and natural language processing (NLP). However, ML-based approaches have been less adapted compared to their perceived benefits due to barriers of implementation and challenges in analysing safety records in the construction sector. And the current literature has been criticized for a lack of clarity around the description of methodologies, interpretation, and the context of the application. Therefore, this work aims to review the latest developments in research applying ML to accident report analysis in construction. A review of the published literature on ML-based analysis of construction accident reports was carried out and organized in terms of the data pre-processing, algorithms, testing and implementation and further organized based on data structure. The results of the review found limitation related to data availability besides the manual structuring and the less use of unsupervised learning reflect complexity of handling textual accident data. Moreover, types of accidents happen in proportionally varying frequencies and need careful tackling outside basic assumptions of data pre-processing in addition to the general need for data pre-processing comparative studies and automated pipelines. The review also showed that data mining (DM) and unsupervised learning were less used especially with semi-structured and unstructured datasets reflecting maybe inefficient natural language processing (NLP) application with these types of learning. Among the reviewed articles, only four out of six prototypes were externally validated on construction environment thus we propose that future efforts would benefit from incorporating a standardized development method that also explicit how ML safety recommendation informs decision making. Future research should experiment and ascertain different choices in the pre-processing stage, validating the performance of the ML models and implementation in the construction practices. Finally, there are more advanced NLP methods that could be applied if domain specific repositories were available such as relation extraction and there are various advances that could be explored including large language models (LLMs).
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».