Evaluating Natural Language Processing Algorithms for Improved Hazard and Operability Analysis
Notice bibliographique
Résumé
Automating Hazard and Operability (HAZOP) reports is crucial for enhancing efficiency and reducing human biases in hazard identification process. Recent HAZOP studies have applied various Natural Language Processing (NLP) algorithms to optimize hazard identification and reporting. These studies exhibit divergent textual inputs and results and overlook the mining of all HAZOP report components. Furthermore, traditional NLP algorithms such as Bag of Words (BOW) and Term Frequency-inverse Document Frequency (TF-IDF) often fail to capture polysemy and semantic relationships between words. This study aims to evaluate NLP algorithms’ efficacy in automating HAZOP reports to improve safety levels in infrastructure projects. These algorithms, including BOW, TF-IDF, the global vectors for word representation (GloVe), and sentence bidirectional encoder representation from transformers (SBERT), were combined with machine learning classifiers such as random forest (RF), gaussian naive bayes (NB), decision tree (DT), and k-nearest neighbors (KNN), using two small HAZOP datasets with varied inputs. A zero-shot text classification model was further evaluated for its ability to assign labels to HAZOP data without prior training. Results demonstrate that GloVe combined with RF achieves the highest accuracy (83 %), significantly outperforming other models. We further observe that KNN degrades on short text features, while DT underperforms on longer descriptions. The zero-shot model achieves low performance (52 % accuracy), lacking the precision needed for fine-grained, jargon-heavy labels. These findings indicate that GloVe embeddings remain a robust foundation for HAZOP automation under data-scarce conditions in the operations of infrastructure projects.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».