A systematic approach for identifying drivers of critical safety and establishing their hierarchy
Notice bibliographique
Résumé
Abstract Learning from incidents is a crucial step in preventing and mitigating adverse events. Incident databases offer valuable insights for safety management improvements by cause and contributing factors. However, extracting meaningful information from incident investigation reports poses a significant challenge. This study introduces a data‐driven methodology to assess drivers of critical safety (DCS), which is essential for enhancing the safety of the process industries and protecting workers and the environment. Natural language processing (NLP) can offer automated, actionable insights from incident investigation reports. This automation is important in identifying DCS from incident reports to ensure proactive prevention and effective mitigation of risks, thereby protecting assets, workers, and the environment. Based on lagging safety indicators (causes or contributing factors), we aim to develop leading safety improvements to enhance the safety management system. A crucial step involves developing a DCS hierarchy to assess their role within the overall safety management framework. This hierarchy quantifies the driving and dependence power of each driver. The former refers to the number of drivers affected by each driver, while the latter determines the number of drivers impacted by each driver. This hierarchy facilitates resource allocation and determines each driver's effectiveness in safety management. The tool is developed and trained using the publicly available CSB database, a comprehensive source of incident investigation data. To further verify the model's effectiveness, it is tested and verified on an unseen database of 26 release incidents released by CSB in January 2025. The model successfully identifies the DCS responsible for each incident.
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 | 0,011 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».