Метод классификации риск-инцидентов на основе самоорганизации семантических кластеров

Системный анализ и управление
Авторы:
Шкодырев В.П.Родионов Д.Г.Конников Е.А.
Аннотация:

Представлен метод автоматической классификации текстовых описаний аварийных риск-инцидентов на основе самоорганизующейся семантической кластеризации, не требующий априорной разметки данных. В отличие от традиционных подходов, метод предполагает двухэтапную схему, которая заключается в самоорганизации латентной таксономии инцидентов посредством иерархического тематического разложения текстового корпуса, а также непрерывной классификации новых сообщений по степени принадлежности ко всем автоматически выделенным классам сразу. Такой переход от жесткого присваивания одного класса к нечеткой принадлежности позволяет декомпозировать гибридные инциденты на несколько факторов риска, отражая их смешанную природу. Разработанный алгоритм формирует интерпретируемую и устойчивую таксономию инцидентов, сохраняющую структурную обособленность кластеров даже при высокой доле гибридных событий. В рамках апробации на корпусе данных NRC показано, что большинство сообщений имеют доминирующий фактор риска при наличии значимых вторичных компонентов. Средняя семантическая согласованность кластеров составила ~0.62 (косинусная мера), а уверенность классификации распределена вокруг среднего значения, отражая наличие как чистых, так и смешанных инцидентов. Результаты подтверждают, что предложенный метод обеспечивает математически корректную декомпозицию сложных ситуаций на совокупность факторов риска и снижает чувствительность классификации к шуму и неточностям входного текста. Методология ориентирована на проактивный анализ риска в сложных технических системах и может применяться для автоматизированной поддержки принятия решений в рамках систем промышленной безопасности.

Финансовые условия:

Исследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках государственного задания «Разработка методологии формирования инструментальной базы анализа и моделирования пространственного социально-экономического развития систем в условиях цифровизации с опорой на внутренние резервы» (FSEG-2023-0008).

Ключевые слова:
риск-инцидентынеструктурированные данныесемантический анализтематическое моделированиекластеризациянечеткая классификациятаксономия рисков
  • Список литературы

    1. Makhutov N.A., Zatsarinny V.V., Algin V.B., Ishin N.N. Technogenic risk, reliability and diagnostics of technical systems: approaches, models, methods. Mechanics of Machines, Mechanisms and Materials, 2012, Vol. 20–21, No. 3–4, Pp. 67–85.

    2. Riabinin I.A., Cherkesov G.N. Logiko-veroiatnostnye metody issledovaniia nadezhnosti strukturno-slozhnykh system [Logical and probabilistic methods for studying the reliability of structurally complex systems]. Moscow: Radio i sviaz', 1981.

    3. Shannon C.E. A Mathematical Theory of Communication. The Bell System Technical Journal, 1948, Vol. 27, pp. 379–423, 623–656.

    4. Wiener N. Cybernetics – Or Control and Communication in the Animal and the Machine. Cambridge, MA: MIT Press, 1961.

    5. Zipf G.K. Human Behavior and the Principle of Least Effort: An Introduction to Human Ecology. Cambridge, MA: Addison-Wesley Press, 1949.

    6. Zhang J., Zi L., Hou Y., Deng D., Jiang W., Wang M. A C-BiLSTM Approach to Classify Construction Accident Reports. Applied Sciences, 2020, Vol. 10, No. 17, Art. no. 5754. DOI: 10.3390/app10175754

    7. Chen Z., Huang K., Wu L., Zhong Z., Jiao Z. Relational Graph Convolutional Network for Text-Mining-Based Accident Causal Classification. Applied Sciences, 2022, Vol. 12, No. 5, Art. no. 2482. DOI: 10.3390/app12052482

    8. Zeng W., Tang W., Yuan D., Zhang H., Duan P., Hu S. Structure-Aware and Format-Enhanced Transformer for Accident Report Modeling. Applied Sciences, 2025, Vol. 15, No. 14, Art. no. 7928. DOI: 10.3390/app15147928

    9. Kim J.-M., Lim K.-K., Yum S.-G., Son S. A Deep Learning Model Development to Predict Safety Accidents for Sustainable Construction: A Case Study of Fall Accidents in South Korea. Sustainability, 2022, Vol. 14, No. 3, Art. no. 1583. DOI: 10.3390/su14031583

    10. Xu H., Liu Y., Shu C.-M., Bai M., Motalifu M., He Z., Wu S., Zhou P., Li B. Cause analysis of hot work accidents based on text mining and deep learning. Journal of Loss Prevention in the Process Industries, 2022, Vol. 76, Art. no. 104747. DOI: 10.1016/j.jlp.2022.104747

    11. Li J., Wu C. Deep Learning and Text Mining: Classifying and Extracting Key Information from Construction Accident Narratives. Applied Sciences, 2023, Vol. 13, No. 19, Art. no. 10599. DOI: 10.3390/app131910599

    12. Qiang J., Qian Z., Li Y., Yuan Y., Wu X. Short Text Topic Modeling Techniques, Applications, and Performance: A Survey. IEEE Transactions on Knowledge and Data Engineering, 2022, Vol. 34, No. 2, Pp. 1427–1445. DOI: 10.1109/TKDE.2020.2992485

    13. Wang Y., Zou P.X.W. Decoding Construction Accident Causality: A Decade of Textual Reports Analyzed. Buildings, 2025, Vol. 15, No. 21, Art. no. 3859. DOI: 10.3390/buildings15213859

    14. Cao Y., Qu Z., Wu S., Chen Y., Skitmore M., Ma X., Wang J. Analyzing OSHA Construction Accident Reports Using BERTopic Topic Modeling for Thematic Insights. Buildings, 2026, Vol. 16, No. 1, Art. no. 10. DOI: 10.3390/buildings16010010

    15. Markarian A.O., Meshcheryakov D.A., Gordeev G.Ya. Structure and algorithm of the semantic analy-sis system for text data in the investigation of accidents and incidents at industrial facilities. Legal Informatics, 2025, Vol. 3, Pp. 57–68. DOI: 10.24412/1994-1404-2025-3-00-06

    16. Shrestha S., Morshed S.A., Pradhananga N., Lv X. Leveraging Accident Investigation Reports as Leading Indicators of Construction Safety Using Text Classification. ASCE Construction Research Congress (CRC), 2020, Pp. 490–498. DOI: 10.1061/9780784482872.053

    17. Andrade S.R., Walsh H.S. Machine learning framework for Hazard Extraction and Analysis of Trends (HEAT) in wildfire response. Safety Science, 2023, Vol. 167, Art. no. 106252. DOI: 10.1016/j.ssci.2023.106252

    18. Erfani A., Khanjar H. Large Language Models for Construction Risk Classification: A Comparative Study. Buildings, 2025, Vol. 15, No. 18, Art. no. 3379. DOI: 10.3390/buildings15183379

    19. Zhang L., Hou Y., Ren F. AIR Agent: A GPT-Based Subway Construction Accident Investigation Report Analysis Chatbot. Buildings, 2025, Vol. 15, No. 4, Art. no. 527. DOI: 10.3390/buildings15040527

    20. Du G., Chen A. Coal Mine Accident Risk Analysis with Large Language Models and Bayesian Networks. Sustainability, 2025, Vol. 17, No. 5, Art. No. 1896. DOI: 10.3390/su17051896

    21. Rodionov D.G., Polyakov P.A., Yakob P.A., Konnikov E.A. A scenario-optimisation method for semantic processing of textual data on accidental incidents at industrial enterprises. Soft Measurement and Computing, 2025, Vol. 95, No. 10, Pp. 117–129. DOI: 10.36871/2618-9976.2025.10.009

    22. Woźniak Z., Hoła B. Analysing Near-Miss Incidents in Construction: A Systematic Literature Review. Applied Sciences, 2024, Vol. 14, No. 16, Art. no. 7260. DOI: 10.3390/app14167260

    23. Guan J., Xu Y., Chan A.P.C., Choi T., Yang Y. Factors affecting learning from incidents: A cross-industry review. Journal of Loss Prevention in the Process Industries, 2024, Vol. 89, Art. no. 105297. DOI: 10.1016/j.jlp.2024.105297

    24. Suh Y. Identifying Safety Technology Opportunities to Mitigate Safety-Related Issues on Construction Sites. Buildings, 2025, Vol. 15, No. 6, Art. no. 847. DOI: 10.3390/buildings15060847

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Предыдущая статьяСледующая статья